【摘要】：目前,世界各地都在不斷增加對智能交通系統(tǒng)的投入,提前對該系統(tǒng)進(jìn)行戰(zhàn)略布局,借此為城市找到新的發(fā)展點(diǎn)和新的生機(jī)。交通信息系統(tǒng)為城市提供快捷的交通引導(dǎo),能夠?yàn)槌鞘泄姵鲂刑峁┍匾募夹g(shù)支持,也是交通事故處理系統(tǒng)的一個(gè)重要分支。交通流量預(yù)測是解決交通信息系統(tǒng)的一個(gè)關(guān)鍵點(diǎn),但是城市的交通都具有其自身特點(diǎn),且交通流具有一定的復(fù)雜性,用代數(shù)表達(dá)式準(zhǔn)確的來分析它的變化情況和規(guī)律非常困難。因此,對交通流預(yù)測的研究具有十分重要的實(shí)際意義。深入研究XGBoost及l(fā)ight GBM原理,發(fā)現(xiàn)light GBM對特征篩選具有較好的優(yōu)勢;目前l(fā)ight GBM還未在短時(shí)交通流量預(yù)測研究中應(yīng)用,其是否比XGBoost更適合進(jìn)行短時(shí)交通流量預(yù)測,預(yù)測結(jié)果是否更加可靠、準(zhǔn)確性是否更高、花費(fèi)時(shí)間是否更短,成為一個(gè)亟待驗(yàn)證的問題。通過短時(shí)交通流的典型特征對模型的適用性的分析,依據(jù)道路網(wǎng)、節(jié)假日及天氣等情況進(jìn)行空間和時(shí)間復(fù)雜度的分析建模,結(jié)合實(shí)測的歷史交通流數(shù)據(jù)進(jìn)行預(yù)測仿真;選取BP神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、線性回歸、XGBoost、light GBM這五種短時(shí)交通流量預(yù)測方法來搭建相應(yīng)的預(yù)測模型,驗(yàn)證light GBM算法對交通流的預(yù)測效果。然后使用light GBM對已經(jīng)搭建的模型參數(shù)進(jìn)行特征的排序篩選處理,使模型參數(shù)更加可靠、準(zhǔn)確性更高。通過light GBM和其他四種方法搭建模型進(jìn)行交通流預(yù)測,對比分析預(yù)測結(jié)果可以發(fā)現(xiàn),無論是否進(jìn)行特征排序篩選處理,light GBM搭建的模型都要遠(yuǎn)遠(yuǎn)優(yōu)于其它四種方法搭建的模型,且light GBM對短時(shí)交通流量的預(yù)測結(jié)果最佳。在五種模型預(yù)測中,經(jīng)過light GBM特征篩選排序處理后,模型的預(yù)測結(jié)果更貼近真實(shí)數(shù)據(jù)。與light GBM相比XGBoost的訓(xùn)練速度慢,不能較好反映交通流的時(shí)變性特征。驗(yàn)證了light GBM可以大幅度的提高模型的預(yù)測精確度,為解決交通流預(yù)測問題提供了一個(gè)更加精確可靠的方法。
【圖文】：

整體框架結(jié)構(gòu)，如圖2.1 所示 圖 2.1 總體設(shè)計(jì)流程圖2.4 本章小結(jié)本章主要介紹了短時(shí)交通流量預(yù)測相關(guān)的內(nèi)容及其特有的一些交通流特征，并簡要闡述了本文的預(yù)測方法及本文所采用方法整體的

預(yù)測相關(guān)理論法原理分析法原理很長的使用歷史，它是相對較早的一種統(tǒng)計(jì)方式過該方法的使用，我們可以找出數(shù)據(jù)潛在的深中的很多點(diǎn)都盡可能處在或者接近這條直線 在上，，線性回歸分析得到的是空間里面的一個(gè)面線性直線，當(dāng)然在多維空間中，也會呈現(xiàn)出類它是對直線的高維模擬[23] 看出，是一個(gè)二維空間的線性回歸 圖中有許落在或者靠近這條直線，這條直線就是線性回歸的預(yù)測，并且也測得到的數(shù)據(jù)值一定是一個(gè)處于
【學(xué)位授予單位】：蘭州交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：U491.14

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 徐依虹;;基于移動(dòng)平均法預(yù)測短時(shí)交通流參數(shù)的步長選定[J];中國水運(yùn)(下半月);2017年04期

2 于振洋;;小波消噪的神經(jīng)網(wǎng)絡(luò)短時(shí)交通流量預(yù)測模型[J];計(jì)算機(jī)仿真;2012年09期

3 田晶;楊玉珍;陳陽舟;;短時(shí)交通流量兩種預(yù)測方法的研究[J];公路交通科技;2006年04期

4 蔣海峰;馬瑞軍;魏學(xué)業(yè);溫偉剛;;一種基于小數(shù)據(jù)量的快速識別短時(shí)交通流混沌特性的方法[J];鐵道學(xué)報(bào);2006年02期

5 華冬冬,陳森發(fā);非線性短時(shí)交通流的一種神經(jīng)網(wǎng)絡(luò)預(yù)測方法[J];現(xiàn)代交通技術(shù);2004年01期

6 韋凌翔;陳紅;王永崗;張敏;王龍飛;;基于相關(guān)向量機(jī)的短時(shí)交通流量平滑處理方法[J];西北大學(xué)學(xué)報(bào)(自然科學(xué)版);2017年01期

7 馬飛虎;饒志強(qiáng);;城市道路短時(shí)交通流預(yù)測方法研究[J];公路;2017年06期

8 張晗寒;梁禹民;陶世寧;韓旭;;基于大數(shù)據(jù)的交通信號實(shí)時(shí)優(yōu)化研究[J];工程建設(shè)與設(shè)計(jì);2017年05期

9 陸海亭;張寧;黃衛(wèi);夏井新;;短時(shí)交通流預(yù)測方法研究進(jìn)展[J];交通運(yùn)輸工程與信息學(xué)報(bào);2009年04期

10 寧云隆;劉丹;許淑偉;;路口短時(shí)交通流量預(yù)測方法[J];科技資訊;2009年13期

相關(guān)會議論文 前4條

1 翁小雄;翦俊;;短時(shí)交通流頻譜分析與預(yù)測[A];第二十六屆中國控制會議論文集[C];2007年

2 田夫;李勇;孫占全;;短時(shí)交通流預(yù)測方法研究[A];2007第三屆中國智能交通年會論文集[C];2007年

3 張利;李星毅;施化吉;;一種基于ARIMA模型的短時(shí)交通流量改進(jìn)預(yù)測算法[A];2007第三屆中國智能交通年會論文集[C];2007年

4 張軍;;智能交通學(xué)術(shù)研究進(jìn)展[A];中國機(jī)械工程學(xué)會機(jī)械自動(dòng)化分會&中國自動(dòng)化學(xué)會制造技術(shù)專委會學(xué)術(shù)工作進(jìn)展報(bào)告 2017[C];2017年

相關(guān)重要報(bào)紙文章 前2條

1 記者 李君光 通訊員 梁書文;春節(jié)假期車流量創(chuàng)新高達(dá)37萬余輛[N];北海日報(bào);2017年

2 本報(bào)記者 李嬋;交通擁堵為何預(yù)測不準(zhǔn)[N];北京科技報(bào);2010年

相關(guān)博士學(xué)位論文 前1條

1 張曉利;基于非參數(shù)回歸的短時(shí)交通流量預(yù)測方法研究[D];天津大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 李星;融合天氣因素的短時(shí)交通流深度預(yù)測算法[D];長安大學(xué);2018年

2 熊芷萱;基于改進(jìn)的極限學(xué)習(xí)機(jī)短時(shí)交通流預(yù)測模型研究[D];湖南大學(xué);2016年

3 康丹青;基于深度學(xué)習(xí)的短時(shí)交通流預(yù)測方法研究[D];哈爾濱理工大學(xué);2018年

4 劉永超;短時(shí)交通流量預(yù)測分析[D];蘭州交通大學(xué);2018年

5 喬松林;基于深度學(xué)習(xí)的短時(shí)交通流量預(yù)測研究[D];青島大學(xué);2018年

6 王苗苗;基于機(jī)器學(xué)習(xí)的短時(shí)交通流預(yù)測方法研究[D];長安大學(xué);2017年

7 饒志強(qiáng);南昌市短時(shí)交通流預(yù)測方法研究[D];華東交通大學(xué);2017年

8 劉芳;短時(shí)交通流量預(yù)測方法及應(yīng)用[D];長沙理工大學(xué);2015年

9 王小英;道路網(wǎng)短時(shí)交通流分析與預(yù)測[D];武漢理工大學(xué);2010年

10 徐穎超;基于組合模型的短時(shí)交通流的預(yù)測研究[D];蘭州交通大學(xué);2014年

本文編號：2677323