機(jī)器學(xué)習(xí)在交通流預(yù)測中的應(yīng)用
發(fā)布時間：2021-08-27 00:57
機(jī)器學(xué)習(xí)是一門涉及概率論、統(tǒng)計(jì)學(xué)、運(yùn)籌學(xué)、逼近論等多個領(lǐng)域的交叉學(xué)科,被廣泛地應(yīng)用在計(jì)算機(jī)視覺、醫(yī)學(xué)診斷、生物特征識別等領(lǐng)域中。本文將探討機(jī)器學(xué)習(xí)在交通流預(yù)測中的應(yīng)用問題。交通流預(yù)測是智慧交通系統(tǒng)研究領(lǐng)域的熱點(diǎn),提升交通流預(yù)測效果對于緩解城市交通壓力、減少環(huán)境污染具有重要意義。本文首先介紹了機(jī)器學(xué)習(xí)的發(fā)展史和交通流預(yù)測理論的發(fā)展歷程,然后介紹了提升樹、時間序列分析和神經(jīng)網(wǎng)絡(luò)的相關(guān)理論背景,針對交通流數(shù)據(jù)存在大量缺失值、樣本數(shù)量少和相鄰道路拓?fù)湫畔⒗秒y的特點(diǎn),給出了一種數(shù)據(jù)預(yù)處理的方法。接著,對比了提升樹模型、時間序列模型和神經(jīng)網(wǎng)絡(luò)模型在交通流預(yù)測中的實(shí)際預(yù)測效果,并分析了它們各自的優(yōu)缺點(diǎn),結(jié)果表明提升樹模型在交通流預(yù)測問題中的表現(xiàn)優(yōu)于其它兩種模型。針對交通流復(fù)雜多變的特點(diǎn),本文將裝袋方法與提升樹模型相結(jié)合,從降低泛化方差的角度來提升預(yù)測效果,實(shí)驗(yàn)結(jié)果表明,這一方法對提升預(yù)測效果有顯著作用。
【文章來源】：浙江大學(xué)浙江省 211工程院校 985工程院校 教育部直屬院校
【文章頁數(shù)】：49 頁
【學(xué)位級別】：碩士
【部分圖文】：
圖２．１泛化誤差與偏差、方差關(guān)系??
其中％（？；?＝?１，２，．．．，Ｖ）定義與上相同。選擇使ａ）最小的屬性為劃分屬性。??此外，分類回歸樹算法還要求樣本在屬性測試后只能取“是”或“否”，然后根據(jù)測??試結(jié)果分為左、右兩個分支，這樣得到的決策樹被稱為分類回歸樹，其結(jié)構(gòu)如圖２．２。??ｒｏｏｔ?ｎｏｄｅ：??ｉｎｔｅｒａｌ?ｎｏｄｅ：?卜４?＇?０??Ａ?Ａ?｜??ｌｅａｆ?ｎｏｄｅ：??Ｉ＿＿＿Ｊ??圖２．２分類回歸樹結(jié)構(gòu)??決策樹采取從上到下的遞歸學(xué)習(xí)，一旦劃分規(guī)則確定，那么我們可以采用貪心法，??叩從根結(jié)點(diǎn)開始每次嘗試劃分一個結(jié)點(diǎn)，在該結(jié)點(diǎn)選擇最佳屬性進(jìn)行劃分，一直進(jìn)行下??去直到結(jié)束，從而確定整個決策樹的結(jié)構(gòu)。在確定決策樹結(jié)構(gòu)的過程中通常還會有一個??剪枝的過程，即去掉一些己經(jīng)生成的葉結(jié)點(diǎn)，從而避免過擬合。決策樹結(jié)構(gòu)確定之后，??我們就可以建立目標(biāo)函數(shù)，通過優(yōu)化目標(biāo)函數(shù)來學(xué)習(xí)每個葉節(jié)點(diǎn)上的最優(yōu)預(yù)測標(biāo)記。??ＩＩ??
圖２．３神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)??傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)通常包括三層：輸入層，隱層和輸出層。它的各層之間是全連而每層之間的節(jié)點(diǎn)是無連接的，這樣的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)也被稱為“多層前饋神經(jīng)網(wǎng)絡(luò)入層僅負(fù)責(zé)接受輸入，隱層和輸出層負(fù)責(zé)對信號進(jìn)行加工，最終由輸出層輸出結(jié)經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，就是根據(jù)訓(xùn)練數(shù)據(jù)不斷地調(diào)整各個神經(jīng)元中的連接權(quán)重和閾值［這個過程我們通常利用誤差逆?zhèn)鞑ィǎ澹颍颍铮?ＢａｃｋＰｒｏｐａｇａｔｉｏｎ，簡稱ＢＰ）算法來完差逆?zhèn)鞑ニ惴ǖ脑硎抢锰荻认陆捣�，從誤差函數(shù)的負(fù)梯度方向更新連接權(quán)重和以連接權(quán)重％的更新為例，??Ａ?＇ｄＥＡｕ；ｊ?＝－入冗－，其中￡代表誤差函數(shù)，Ａ代表學(xué)習(xí)率，根據(jù)不同的誤差函數(shù)和神經(jīng)元表達(dá)式我們出的具體表達(dá)式，其本質(zhì)上是利用了鏈?zhǔn)角髮?dǎo)法則，這里不再贅述。??
本文編號：3365318
【文章來源】：浙江大學(xué)浙江省 211工程院校 985工程院校 教育部直屬院校
【文章頁數(shù)】：49 頁
【學(xué)位級別】：碩士
【部分圖文】：
圖２．１泛化誤差與偏差、方差關(guān)系??
其中％（？；?＝?１，２，．．．，Ｖ）定義與上相同。選擇使ａ）最小的屬性為劃分屬性。??此外，分類回歸樹算法還要求樣本在屬性測試后只能取“是”或“否”，然后根據(jù)測??試結(jié)果分為左、右兩個分支，這樣得到的決策樹被稱為分類回歸樹，其結(jié)構(gòu)如圖２．２。??ｒｏｏｔ?ｎｏｄｅ：??ｉｎｔｅｒａｌ?ｎｏｄｅ：?卜４?＇?０??Ａ?Ａ?｜??ｌｅａｆ?ｎｏｄｅ：??Ｉ＿＿＿Ｊ??圖２．２分類回歸樹結(jié)構(gòu)??決策樹采取從上到下的遞歸學(xué)習(xí)，一旦劃分規(guī)則確定，那么我們可以采用貪心法，??叩從根結(jié)點(diǎn)開始每次嘗試劃分一個結(jié)點(diǎn)，在該結(jié)點(diǎn)選擇最佳屬性進(jìn)行劃分，一直進(jìn)行下??去直到結(jié)束，從而確定整個決策樹的結(jié)構(gòu)。在確定決策樹結(jié)構(gòu)的過程中通常還會有一個??剪枝的過程，即去掉一些己經(jīng)生成的葉結(jié)點(diǎn)，從而避免過擬合。決策樹結(jié)構(gòu)確定之后，??我們就可以建立目標(biāo)函數(shù)，通過優(yōu)化目標(biāo)函數(shù)來學(xué)習(xí)每個葉節(jié)點(diǎn)上的最優(yōu)預(yù)測標(biāo)記。??ＩＩ??
圖２．３神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)??傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)通常包括三層：輸入層，隱層和輸出層。它的各層之間是全連而每層之間的節(jié)點(diǎn)是無連接的，這樣的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)也被稱為“多層前饋神經(jīng)網(wǎng)絡(luò)入層僅負(fù)責(zé)接受輸入，隱層和輸出層負(fù)責(zé)對信號進(jìn)行加工，最終由輸出層輸出結(jié)經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，就是根據(jù)訓(xùn)練數(shù)據(jù)不斷地調(diào)整各個神經(jīng)元中的連接權(quán)重和閾值［這個過程我們通常利用誤差逆?zhèn)鞑ィǎ澹颍颍铮?ＢａｃｋＰｒｏｐａｇａｔｉｏｎ，簡稱ＢＰ）算法來完差逆?zhèn)鞑ニ惴ǖ脑硎抢锰荻认陆捣�，從誤差函數(shù)的負(fù)梯度方向更新連接權(quán)重和以連接權(quán)重％的更新為例，??Ａ?＇ｄＥＡｕ；ｊ?＝－入冗－，其中￡代表誤差函數(shù)，Ａ代表學(xué)習(xí)率，根據(jù)不同的誤差函數(shù)和神經(jīng)元表達(dá)式我們出的具體表達(dá)式，其本質(zhì)上是利用了鏈?zhǔn)角髮?dǎo)法則，這里不再贅述。??
本文編號：3365318
本文鏈接：http://sikaile.net/kejilunwen/jiaotonggongchenglunwen/3365318.html
最近更新
教材專著
