發(fā)布時(shí)間：2022-01-23 02:21

　　隨著智能交通系統(tǒng)（Intelligent Traffic System,ITS）的快速發(fā)展,各種交通信息監(jiān)測網(wǎng)絡(luò)匯集大量的交通數(shù)據(jù)。用數(shù)據(jù)挖掘方法來發(fā)掘潛在的交通行為規(guī)律具有重要意義。實(shí)時(shí)準(zhǔn)確的交通流量預(yù)測是交通數(shù)據(jù)挖掘的主要內(nèi)容之一,不僅可以預(yù)判交通擁堵情況,提高道路的通行能力,而且可以為交通管理者提供科學(xué)的決策理論依據(jù)。傳統(tǒng)的交通流量預(yù)測模型大多以靜態(tài)的歷史數(shù)據(jù)作為訓(xùn)練樣本,而且特征少、樣本小,不能很好地描述交通數(shù)據(jù)的復(fù)雜特征和適應(yīng)中長期交通流量的預(yù)測需求。為了解決上述問題,本文結(jié)合集成學(xué)習(xí)的思想,在數(shù)據(jù)預(yù)處理、多維時(shí)間序列分析方法、時(shí)間特征構(gòu)造算法等處理的基礎(chǔ)上,采用梯度提升決策樹進(jìn)行交通流量預(yù)測。首先,對原始的交通數(shù)據(jù)進(jìn)行分類、統(tǒng)計(jì)、補(bǔ)缺等預(yù)處理,并基于多維時(shí)間序列分析方法設(shè)計(jì)時(shí)間窗口,以余弦相似度方法進(jìn)行相似性度量,根據(jù)時(shí)間窗口和預(yù)測窗口的相似性排名,并結(jié)合星期規(guī)則,選擇最相似的k個(gè)時(shí)間窗口,即k個(gè)學(xué)習(xí)器。然后,通過時(shí)間特征構(gòu)造算法,對最相似的時(shí)間窗口和預(yù)測窗口的n維原始數(shù)據(jù)構(gòu)造時(shí)間差異序列、時(shí)間趨勢序列和時(shí)間偏離序列,以增強(qiáng)樣本的特征多樣性,作為梯度提升決策樹的輸入。最后,... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【部分圖文】：

示范區(qū)路口分布圖

【參考文獻(xiàn)】：
期刊論文
[1]基于多維時(shí)間序列的ETC短時(shí)交通流量預(yù)測模型[J]. 趙亞偉,陳艷晶,管偉.  交通運(yùn)輸系統(tǒng)工程與信息. 2016(04)
[2]機(jī)器學(xué)習(xí)算法在數(shù)據(jù)挖掘中的應(yīng)用[J]. 莫雪峰.  科教文匯(下旬刊). 2016(07)
[3]基于組合模型的短時(shí)交通流量預(yù)測算法[J]. 芮蘭蘭,李欽銘.  電子與信息學(xué)報(bào). 2016(05)
[4]一種改進(jìn)的短期交通流量預(yù)測算法研究[J]. 郭新.  計(jì)算機(jī)技術(shù)與發(fā)展. 2015(02)
[5]改進(jìn)時(shí)間序列模型在高速公路短時(shí)交通流量預(yù)測中的應(yīng)用[J]. 唐毅,劉衛(wèi)寧,孫棣華,魏方強(qiáng),余楚中.  計(jì)算機(jī)應(yīng)用研究. 2015(01)
[6]時(shí)間序列數(shù)據(jù)挖掘中特征表示與相似性度量研究綜述[J]. 李海林,郭崇慧.  計(jì)算機(jī)應(yīng)用研究. 2013(05)
[7]微觀交通再現(xiàn)仿真系統(tǒng)研究與開發(fā)[J]. 劉博,馬云龍.  計(jì)算機(jī)應(yīng)用與軟件. 2013(01)
[8]基于組合模型的交通流量預(yù)測方法[J]. 叢新宇,虞慧群,范貴生.  華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2011(03)
[9]基于粗集理論和支持向量機(jī)的道路網(wǎng)短時(shí)交通流量預(yù)測[J]. 李建武,陳森發(fā),黃鹍.  計(jì)算機(jī)應(yīng)用研究. 2010(10)
[10]新型組合預(yù)測模型在空中交通流量預(yù)測的應(yīng)用[J]. 姜靜逸,韓松臣,王玉婷.  中國民航大學(xué)學(xué)報(bào). 2009(05)

博士論文
[1]基于支持向量機(jī)的交通流預(yù)測方法研究[D]. 王凡.大連理工大學(xué) 2010
[2]基于集成神經(jīng)網(wǎng)絡(luò)的城市道路交通流量融合預(yù)測研究[D]. 李存軍.西南交通大學(xué) 2004

碩士論文
[1]基于神經(jīng)網(wǎng)絡(luò)的城市交通流量預(yù)測模型研究[D]. 張佳寧.廣東工業(yè)大學(xué) 2016
[2]基于聚類分析和決策樹算法的交通流量挖掘[D]. 李林.江蘇科技大學(xué) 2016
[3]基于GBDT的社區(qū)問題標(biāo)簽推薦技術(shù)研究[D]. 孫萬龍.哈爾濱工業(yè)大學(xué) 2015
[4]基于群智能算法優(yōu)化SVR的短時(shí)交通流預(yù)測[D]. 方仁孝.大連理工大學(xué) 2015
[5]交通流量短時(shí)預(yù)測的算法研究[D]. 沈小峰.浙江工業(yè)大學(xué) 2015
[6]基于K近鄰非參數(shù)回歸的短時(shí)交通流預(yù)測算法研究[D]. 林川.電子科技大學(xué) 2015
[7]基于神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流量預(yù)測研究[D]. 吳凱.南京郵電大學(xué) 2013
[8]模糊神經(jīng)網(wǎng)絡(luò)在交通流量預(yù)測中的應(yīng)用研究[D]. 何偉.蘭州交通大學(xué) 2012
[9]基于BP神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測[D]. 曹虹.長安大學(xué) 2012



本文編號(hào)：3603398