發(fā)布時(shí)間：2021-03-21 05:11

　　隨著我國(guó)經(jīng)濟(jì)高速發(fā)展,城市建設(shè)進(jìn)程的加快,城市中各個(gè)領(lǐng)域都在迅速發(fā)展,其中交通領(lǐng)域的發(fā)展尤為迅猛。城市道路網(wǎng)絡(luò)已經(jīng)趨于成熟,交通路網(wǎng)對(duì)于人們的出行和城市資源的運(yùn)輸有著至關(guān)重要的作用。與此同時(shí),人們生活水平的提高也使得私家車的數(shù)量迅速增長(zhǎng),導(dǎo)致交通路網(wǎng)的需求和供應(yīng)之間的不平衡日益加劇,進(jìn)而衍生出環(huán)境污染問題和資源浪費(fèi)問題。利用大數(shù)據(jù)技術(shù)分析交通數(shù)據(jù)在智慧城市中的特性,深入研究智慧交通對(duì)于人們的出行規(guī)劃和資源流通的重要影響,改善經(jīng)濟(jì)發(fā)展和智慧城市建設(shè)而帶來的交通擁堵問題,實(shí)現(xiàn)城市交通網(wǎng)絡(luò)的智能管理和實(shí)時(shí)監(jiān)控對(duì)于我國(guó)智慧城市的建設(shè)有著重要意義。從海量的交通數(shù)據(jù)中挖掘出有效信息,并對(duì)數(shù)據(jù)進(jìn)行分析和處理,對(duì)交通態(tài)勢(shì)進(jìn)行感知,對(duì)交通態(tài)勢(shì)進(jìn)行可視化,是智慧城市建設(shè)中的一項(xiàng)挑戰(zhàn)。1.利用道路相關(guān)信息和道路平均旅行時(shí)間等數(shù)據(jù),綜合考慮節(jié)假日、時(shí)間段等因素,對(duì)智慧城市中的交通特征進(jìn)行分析。通過對(duì)道路靜態(tài)特征、時(shí)間片靜態(tài)特征和時(shí)間片動(dòng)態(tài)特征的分析,建立基于XGB oost算法的交通流量預(yù)測(cè)模型。通過使用XGBoost模型對(duì)缺失值進(jìn)行填補(bǔ),利用原有數(shù)據(jù)和模型填補(bǔ)數(shù)據(jù)再次使用XGBoost模型進(jìn)行交通流量預(yù)測(cè)。... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：93 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１論文總體設(shè)計(jì)圖??

?第三章基于ＸＧＢｏｏｓｔ融合模型的交通態(tài)勢(shì)感知技術(shù)研究???３．１．１異常值處理??對(duì)于一組滿足正態(tài)分布的數(shù)據(jù)Ｘ？有??Ｐ（｜ｘ－?／／｜?＞?３ａ）?＜?０．００３??上式表明，樣本距離ｘ距離平均值ｐ超過３ａ的概率小于等于０．００３。通�？梢哉J(rèn)??定這樣的樣本值是異常值。??數(shù)據(jù)集中平均旅行時(shí)間的分布如圖３－１所示，可以看出呈長(zhǎng)尾式分布，數(shù)值較??大的數(shù)據(jù)量很少，大部分?jǐn)?shù)據(jù)都集中在很小的區(qū)域。對(duì)于長(zhǎng)尾式分布的數(shù)據(jù)，可以??采用對(duì)數(shù)變換的方法進(jìn)行處理，為避免對(duì)數(shù)變換過程中出現(xiàn)負(fù)無窮大的情況，選??擇／？（ｘ＋ｌ）作為對(duì)數(shù)變換公式，經(jīng)過對(duì)數(shù)變換后，數(shù)據(jù)分布如圖３－２所示，可以看??出，處理后的數(shù)據(jù)基本符合正態(tài)分布《??５００００００?－??４００００００?－??３００００００?－??２００００００?－??１００００００?－??０?０?２５０?５００?７５０?１０００?１２５０?１５００?１７５０?２０００??圖３－１平均旅行時(shí)間原始分布圖??２０００００?－??１５００００?－??１０００００?－??０１２３４５６７??圖３－２平均旅行時(shí)間對(duì)數(shù)變換分布圖??１７??

?電子科技大學(xué)碩士學(xué)位論文???圖３－２包含所有道路各個(gè)日期所有時(shí)刻的分布，為保證數(shù)據(jù)的平滑性，分別統(tǒng)??計(jì)每條道路每天各個(gè)時(shí)刻的對(duì)數(shù)變換后的平均旅行時(shí)間，設(shè)宣上下閾值分別為９５??百分位數(shù)和５百分位數(shù)，超過閾值的數(shù)據(jù)使用閾值代替，如圖３－３所示。??

【參考文獻(xiàn)】：
期刊論文
[1]基于XGBoost節(jié)假日路網(wǎng)流量預(yù)測(cè)研究[J]. 黃騫,鄭穎爾,鄧鈺橋.  公路. 2018(12)
[2]基于加權(quán)組合模型的短時(shí)交通流預(yù)測(cè)研究[J]. 雷斌,溫樂,耿浩,李建明.  測(cè)控技術(shù). 2018(05)
[3]基于XGBoost算法的2型糖尿病精準(zhǔn)預(yù)測(cè)模型研究[J]. 張洪俠,郭賀,王金霞,徐巖艷,呂斌,閆東,常佳,胡光瑞,王雪,李洪軍,劉天戟,李燕林,趙志強(qiáng),牛曉強(qiáng).  中國(guó)實(shí)驗(yàn)診斷學(xué). 2018(03)
[4]一種平穩(wěn)化短時(shí)交通流預(yù)測(cè)方法[J]. 康軍,段宗濤,唐蕾,溫興超.  測(cè)控技術(shù). 2018(02)
[5]基于模糊神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)方法研究[J]. 程山英.  計(jì)算機(jī)測(cè)量與控制. 2017(08)
[6]考慮道路等級(jí)和擁堵懲罰的城市路網(wǎng)平均負(fù)荷度計(jì)算[J]. 周強(qiáng),閆欣欣,袁振洲.  公路與汽運(yùn). 2017(01)
[7]城市交通GPS數(shù)據(jù)可視化分析[J]. 趙庶旭,董亮.  計(jì)算機(jī)應(yīng)用與軟件. 2016(10)
[8]一種基于非參數(shù)回歸的交通速度預(yù)測(cè)方法[J]. 史殿習(xí),丁濤杰,丁博,劉惠.  計(jì)算機(jī)科學(xué). 2016(02)
[9]智能交通領(lǐng)域中地圖匹配算法研究[J]. 周成,袁家政,劉宏哲,邱靜.  計(jì)算機(jī)科學(xué). 2015(10)
[10]基于深度學(xué)習(xí)的交通擁堵預(yù)測(cè)模型研究[J]. 譚娟,王勝春.  計(jì)算機(jī)應(yīng)用研究. 2015(10)



本文編號(hào)：3092388