發(fā)布時間：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)測網絡匯集大量的交通數據。用數據挖掘方法來發(fā)掘潛在的交通行為規(guī)律具有重要意義。實時準確的交通流量預測是交通數據挖掘的主要內容之一,不僅可以預判交通擁堵情況,提高道路的通行能力,而且可以為交通管理者提供科學的決策理論依據。傳統(tǒng)的交通流量預測模型大多以靜態(tài)的歷史數據作為訓練樣本,而且特征少、樣本小,不能很好地描述交通數據的復雜特征和適應中長期交通流量的預測需求。為了解決上述問題,本文結合集成學習的思想,在數據預處理、多維時間序列分析方法、時間特征構造算法等處理的基礎上,采用梯度提升決策樹進行交通流量預測。首先,對原始的交通數據進行分類、統(tǒng)計、補缺等預處理,并基于多維時間序列分析方法設計時間窗口,以余弦相似度方法進行相似性度量,根據時間窗口和預測窗口的相似性排名,并結合星期規(guī)則,選擇最相似的k個時間窗口,即k個學習器。然后,通過時間特征構造算法,對最相似的時間窗口和預測窗口的n維原始數據構造時間差異序列、時間趨勢序列和時間偏離序列,以增強樣本的特征多樣性,作為梯度提升決策樹的輸入。最后,... 

【文章來源】：重慶郵電大學重慶市

【文章頁數】：68 頁

【學位級別】：碩士

【部分圖文】：

示范區(qū)路口分布圖

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

博士論文
[1]基于支持向量機的交通流預測方法研究[D]. 王凡.大連理工大學 2010
[2]基于集成神經網絡的城市道路交通流量融合預測研究[D]. 李存軍.西南交通大學 2004

碩士論文
[1]基于神經網絡的城市交通流量預測模型研究[D]. 張佳寧.廣東工業(yè)大學 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 2016
[3]基于GBDT的社區(qū)問題標簽推薦技術研究[D]. 孫萬龍.哈爾濱工業(yè)大學 2015
[4]基于群智能算法優(yōu)化SVR的短時交通流預測[D]. 方仁孝.大連理工大學 2015
[5]交通流量短時預測的算法研究[D]. 沈小峰.浙江工業(yè)大學 2015
[6]基于K近鄰非參數回歸的短時交通流預測算法研究[D]. 林川.電子科技大學 2015
[7]基于神經網絡的短時交通流量預測研究[D]. 吳凱.南京郵電大學 2013
[8]模糊神經網絡在交通流量預測中的應用研究[D]. 何偉.蘭州交通大學 2012
[9]基于BP神經網絡的交通流量預測[D]. 曹虹.長安大學 2012



本文編號：3603398