本文關(guān)鍵詞：城市道路短時車流量預(yù)測模型研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：短時車流量預(yù)測作為城市道路交通誘導(dǎo)決策的重要支持,在智能交通系統(tǒng)中具有關(guān)鍵性的基礎(chǔ)作用。短時車流量的變化受多種因素的影響,因而采用傳統(tǒng)建模方式不僅較為繁瑣,且已建立好的模型不易移植。機器學習方法可利用歷史車流量數(shù)據(jù)集訓練模型,使其自動發(fā)現(xiàn)數(shù)據(jù)中的變化規(guī)律,從而預(yù)測未來短時間內(nèi)的車流量。本文分別基于支持向量機(SVM)、隨機森林和深度神經(jīng)網(wǎng)絡(luò)(DNN),對短時車流量的預(yù)測模型進行了研究,主要工作內(nèi)容和研究成果如下：(1)根據(jù)影響車流量變化的因素,提取特征變量,構(gòu)造模型的訓練集。依據(jù)數(shù)據(jù)完整性分布,采用一種折衷的數(shù)據(jù)清洗方法,即丟棄低于90%觀測率的車流量數(shù)據(jù)。(2)基于SVM模型對車流量進行預(yù)測,并針對SVR的超參調(diào)節(jié)問題提出一種改進的隨機搜索算法,提高了超參調(diào)節(jié)效率,降低了模型使用的復(fù)雜度,同時也達到較高的預(yù)測水平。(3)使用隨機森林模型對車流量進行預(yù)測,對于模型的調(diào)節(jié),分別進行了默認超參和超參尋優(yōu)實驗,論證了隨機森林在車流量預(yù)測中具有易用性,參數(shù)易調(diào)性,且預(yù)測準確度較高,運行耗時少。之后,基于隨機森林對特征變量的重要性評估,提出一種動態(tài)選擇特征變量的車流量預(yù)測方法,使得模型的效率和適應(yīng)性得到提升。(4)探討了DNN在車流量預(yù)測中的應(yīng)用,利用車流量數(shù)據(jù)集,通過兩種形式的layer-wise算法分別訓練DNN,以及直接訓練包含ReLU的DNN,并在其中得到了本文最好的預(yù)測結(jié)果。
【關(guān)鍵詞】：智能交通系統(tǒng) 短時車流量 機器學習 支持向量機 隨機森林 變量重要性 深度學習
【學位授予單位】：中國科學技術(shù)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：U491.14;TP181
【目錄】：

• 摘要5-6
• ABSTRACT6-11
• 第1章 緒論11-17
• 1.1 研究背景與意義11-13
• 1.2 國內(nèi)外研究現(xiàn)狀13-15
• 1.3 本文主要工作15-16
• 1.4 本文組織結(jié)構(gòu)16-17
• 第2章 車流量數(shù)據(jù)分析17-29
• 2.1 數(shù)據(jù)來源17-18
• 2.2 車流量解析18-21
• 2.2.1 全天車流量變化18-20
• 2.2.2 預(yù)測車流量的可行性和必要性20-21
• 2.3 構(gòu)造車流量預(yù)測模型的訓練集21-24
• 2.3.1 影響車流量的因素21-22
• 2.3.2 構(gòu)造訓練集22-24
• 2.4 模型的理論基礎(chǔ)24-26
• 2.4.1 機器學習的任務(wù)24-25
• 2.4.2 PAC理論25-26
• 2.5 噪聲和錯誤26-28
• 2.5.1 噪聲的影響26
• 2.5.2 數(shù)據(jù)集的清洗26-28
• 2.5.3 錯誤率的定義28
• 2.6 本章小結(jié)28-29
• 第3章 基于支持向量機的短時車流量預(yù)測29-49
• 3.1 SVM基本理論分析29-33
• 3.1.1 線性可分的二分類問題29-31
• 3.1.2 軟性分類器31-32
• 3.1.3 支持向量回歸機32-33
• 3.2 核函數(shù)的比較和選擇33-34
• 3.3 基于SVM的車流量預(yù)測實驗34-41
• 3.3.1 訓練集的預(yù)處理34-35
• 3.3.2 預(yù)測結(jié)果評價指標35
• 3.3.3 超參的調(diào)節(jié)算法35-41
• 3.4 車流量預(yù)測結(jié)果比較和分析41-46
• 3.4.1 預(yù)測結(jié)果比較41-43
• 3.4.2 預(yù)測結(jié)果分析43-46
• 3.5 其他條件下的車流量預(yù)測46-47
• 3.6 本章小結(jié)47-49
• 第4章 基于隨機森林的短時車流量預(yù)測49-67
• 4.1 隨機森林算法分析49-53
• 4.1.1 模型發(fā)展概述49
• 4.1.2 CART樹49-51
• 4.1.3 隨機森林算法流程51-53
• 4.2 基于隨機森林的車流量預(yù)測實驗53-61
• 4.2.1 默認參數(shù)的模型表現(xiàn)54-55
• 4.2.2 參數(shù)調(diào)節(jié)及分析55-57
• 4.2.3 車流量預(yù)測結(jié)果分析57-60
• 4.2.4 與SVR模型的比較60-61
• 4.3 特征變量的重要性評估61-66
• 4.3.1 特征變量重要性評估方法61-62
• 4.3.2 車流量預(yù)測中各特征變量重要性62-64
• 4.3.3 基于特征變量選擇的車流量預(yù)測64-66
• 4.4 本章小結(jié)66-67
• 第5章 基于深度學習的短時車流量預(yù)測67-75
• 5.1 深度學習簡介67-68
• 5.2 基于深度學習的車流量預(yù)測實驗68-74
• 5.2.1 使用layer-wise算法68-72
• 5.2.2 使用包含ReLU的DNN72-74
• 5.3 本章小結(jié)74-75
• 第6章 總結(jié)與展望75-77
• 6.1 工作總結(jié)75-76
• 6.2 展望76-77
• 參考文獻77-83
• 致謝83-85
• 在讀期間發(fā)表的學術(shù)論文與取得的其他研究成果85

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 王麗婷;丁曉青;方馳;;基于隨機森林的人臉關(guān)鍵點精確定位方法[J];清華大學學報(自然科學版);2009年04期

2 康有;陳元芳;顧圣華;姚欣明;黃琴;湯艷平;;基于隨機森林的區(qū)域水資源可持續(xù)利用評價[J];水電能源科學;2014年03期

3 邱一卉;林成德;;基于隨機森林方法的異常樣本檢測方法[J];福建工程學院學報;2007年04期

4 馬昕;王雪;楊洋;;基于隨機森林算法的大學生異動情況的預(yù)測[J];江蘇科技大學學報(自然科學版);2012年01期

5 劉美菊;劉冬;劉劍;;隨機森林在群控電梯交通模式識別中的應(yīng)用[J];機械設(shè)計與制造;2013年04期

6 姚登舉;楊靜;詹曉娟;;基于隨機森林的特征選擇算法[J];吉林大學學報(工學版);2014年01期

7 張曄;楊國田;;基于隨機森林的數(shù)據(jù)融合架空輸電線路鐵塔損傷識別[J];黑龍江科技信息;2014年20期

8 呂淑婷;張啟敏;;一類帶Poisson跳的隨機森林發(fā)展系統(tǒng)數(shù)值解的穩(wěn)定性[J];蘭州理工大學學報;2012年03期

9 陳海利;孫志偉;龐龍;;基于隨機森林的文本分類研究[J];科技創(chuàng)新與應(yīng)用;2014年02期

10 莊進發(fā);羅鍵;彭彥卿;黃春慶;吳長慶;;基于改進隨機森林的故障診斷方法研究[J];計算機集成制造系統(tǒng);2009年04期

中國重要會議論文全文數(shù)據(jù)庫 前7條

1 謝程利;王金橋;盧漢清;;核森林及其在目標檢測中的應(yīng)用[A];第六屆和諧人機環(huán)境聯(lián)合學術(shù)會議（HHME2010)、第19屆全國多媒體學術(shù)會議（NCMT2010）、第6屆全國人機交互學術(shù)會議（CHCI2010）、第5屆全國普適計算學術(shù)會議（PCC2010）論文集[C];2010年

2 武曉巖;方慶偉;;基因表達數(shù)據(jù)分析的隨機森林方法及算法改進[A];黑龍江省第十次統(tǒng)計科學討論會論文集[C];2008年

3 張?zhí)忑?梁龍;王康;李華;;隨機森林結(jié)合激光誘導(dǎo)擊穿光譜技術(shù)用于的鋼鐵分類[A];中國化學會第29屆學術(shù)年會摘要集——第19分會：化學信息學與化學計量學[C];2014年

4 相玉紅;張卓勇;;組蛋白去乙�；敢种苿┑臉�(gòu)效關(guān)系研究[A];第十一屆全國計算（機）化學學術(shù)會議論文摘要集[C];2011年

5 張濤;李貞子;武曉巖;李康;;隨機森林回歸分析方法及在代謝組學中的應(yīng)用[A];2011年中國衛(wèi)生統(tǒng)計學年會會議論文集[C];2011年

6 馮飛翔;馮輔周;江鵬程;劉菁;劉建敏;;隨機森林和k-近鄰法在某型坦克變速箱狀態(tài)識別中的應(yīng)用[A];第八屆全國轉(zhuǎn)子動力學學術(shù)討論會論文集[C];2008年

7 曹東升;許青松;梁逸曾;陳憲;李洪東;;組合樹的集合體和后向消除策略去分類P-糖蛋白化合物[A];第十屆全國計算(機)化學學術(shù)會議論文摘要集[C];2009年

中國博士學位論文全文數(shù)據(jù)庫 前4條

1 曹正鳳;隨機森林算法優(yōu)化研究[D];首都經(jīng)濟貿(mào)易大學;2014年

2 雷震;隨機森林及其在遙感影像處理中應(yīng)用研究[D];上海交通大學;2012年

3 岳明;基于隨機森林和規(guī)則集成法的酒類市場預(yù)測與發(fā)展戰(zhàn)略[D];天津大學;2008年

4 李書艷;單點氨基酸多態(tài)性與疾病相關(guān)關(guān)系的預(yù)測及其機制研究[D];蘭州大學;2010年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 錢維;藥品不良反應(yīng)監(jiān)測中隨機森林方法的建立與實現(xiàn)[D];第二軍醫(yī)大學;2012年

2 韓燕龍;基于隨機森林的指數(shù)化投資組合構(gòu)建研究[D];華南理工大學;2015年

3 賀捷;隨機森林在文本分類中的應(yīng)用[D];華南理工大學;2015年

4 張文婷;交通環(huán)境下基于改進霍夫森林的目標檢測與跟蹤[D];華南理工大學;2015年

5 李強;基于多視角特征融合與隨機森林的蛋白質(zhì)結(jié)晶預(yù)測[D];南京理工大學;2015年

6 朱玟謙;一種收斂性隨機森林在人臉檢測中的應(yīng)用研究[D];武漢理工大學;2015年

7 肖宇;基于序列圖像的手勢檢測與識別算法研究[D];電子科技大學;2014年

8 李慧;一種改進的隨機森林并行分類方法在運營商大數(shù)據(jù)的應(yīng)用[D];電子科技大學;2015年

9 趙亞紅;面向多類標分類的隨機森林算法研究[D];哈爾濱工業(yè)大學;2014年

10 黎成;基于隨機森林和ReliefF的致病SNP識別方法[D];西安電子科技大學;2014年

  本文關(guān)鍵詞：城市道路短時車流量預(yù)測模型研究，由筆耕文化傳播整理發(fā)布。

本文編號：292852