基于机器学习技术的交通流预测模型研究与实现

• 作 者: 樊汉勤
• 出 处: 西南交通大学
• 发表日期: 2017年期
• 关键词: 交通流预测 机器学习 支持向量机 随机森林

经济的高速发展,城市化水平的不断提高,在改善人民生活质量的同时,也随之带来了严重的交通拥堵问题,如何利用城市的历史交通流量,对未来的交通状况进行快速而精准的预测,是智能交通领域一大重要的研究课题。传统的处理交通流预测问题的方法可以分为基于数学模型的方法(如卡尔曼滤波模型、时间序列模型等)和无数学模型的方法(如神经网络模型、非参数回归模型等)。然而,传统的方法在应对变化日益复杂的交通流数据上,已经表现出了一定的局限性,这主要表现为:(1)在应对非线性问题上,许多算法存在局限性;(2)交通流的非平稳特性,大大影响着模型的预测精度;(3)大量样本所带来的对于效率的挑战。近年来,随着数据挖掘、机器学习等以数据为导向的技术的兴起,对于交通流预测的研究越来越多地与以上算法结合,这带来了预测精度的大大提升。论文以美国加州交通局Pems数据集作为实验数据,首先,针对交通流的非平稳特性,提出基于DBSCAN算法与最优分割算法结合的双阶段有序聚类模型,实现了在缺少先验知识的条件下,以更小开销对有序样本的聚类,并在实验数据上证明了聚类结果的合理性;在有序聚类模型的基础上,提出基于时间分段的支持向量机模型,以拟合优度作为指标,证明了该模型能够达到理想的回归精度;论文还提出基于历史数据加权的交通流序列生成模型,该模型利用基于时间分段的支持向量机模型来进行参考值的生成,从而将生成的参考值与历史数据进行加权,并通过迭代上述过程,生成交通流序列,并在与真实序列的比较中,证明了该模型所生成序列的精度;最后,论文引入标签传播算法,将实验数据中的各个采样时刻点,根据其对应特征分为上升点、下降点、平稳点三类模式。在此分类结果的基础上,引入随机森林模型,以实时的交通流序列作为输入,识别其对应的交通变化模式。该模型在主要的性能指标上,都达到了理想的效果。