论文部分内容阅读
随着城市化进程的加快,交通系统的智能化迫在眉睫。作为智能交通系统的重要组成部分,短时交通流预测也得到了迅速的发展,而如何提升短时交通流预测的精度,保障智能交通系统的高效运行,一直是学者们研究的重点。在交通流预测中,使用机器学习算法的基于数据驱动的思想,可以挖掘出隐藏在复杂非线性的交通流数据中的有效信息。本文分析了交通流数据的特点,针对传统的交通流预测模型无法应对交通流的复杂变化的缺点,将机器学习的方法运用到交通流预测中去,并基于此设计和实现了交通流预测系统,具体研究内容如下:1.特征选取:本文致力于多断面短时交通流预测模型的研究,综合考虑了相邻路段和天气等影响因子,待输入预测模型的交通流数据特征较多。采用人工进行特征选取的话,效率低下且容易出错,基于此,本文提出了一种改进的基于随机森林的自适应特征选择模型(LOO-RF),实现对交通流数据重要特征的自动选取。实验结果表明,经自适应特征选择后,最终的交通流预测精度和效率都有较大提升。2.短时交通流预测模型:本文将机器学习中的支持向量机回归模型用于多断面短时交通流预测,选用了高斯径向基核函数,有效的抑制了交通流数据中的白噪声对预测准确率的影响。同时,针对SVR参数优化困难的问题,将混沌的思想引入传统的遗传算法,提出了一种改进的CGA算法,能够快速的寻找到SVR的最优参数组合,由此提出了一种改进的CGA-SVR交通流预测模型。实验结果表明,与现有的交通流预测模型相比,该模型预测精度更高。3.交通流预测系统的设计和实现:基于LOO-RF和CGA-SVR算法模型,依托某省高速公路收费数据,设计并实现了交通流预测系统,实现对预测结果和交通数据的可视化展示,用户通过对算法模型进行相应的参数设置,就可以完成交通流预测工作。