基于機器學習方法的城市對外客運交通需求預測研究.pdf

1、城市對外客運交通需求預測是城市開展城市綜合交通系統(tǒng)規(guī)劃與設計的基礎工作，合理準確的交通需求預測可為城市的對外客運樞紐系統(tǒng)選址、布局、方案比選等工作提供數據支撐，實現既滿足城市居民出行需求，又節(jié)約項目建設資金的目標。由于對外客運需求預測研究中相關影響因素之間存在日趨增加的相關性關系以及統(tǒng)計數據中的異常值等原因，傳統(tǒng)的時間慣性與相關因素原理預測模型表現欠佳。近幾年由于社會統(tǒng)計工作的逐漸完善，可供選擇研究統(tǒng)計數據不斷積累增多，為學者使用新型方

2、法進行研究提供了相關基礎。
　　本文采用機器學習中降噪自編碼、隨機森林兩種方法進行交通需求預測，以緩解淺層機器學習方法在交通需求預測問題中的不足。首先引入深度學習理論中降噪自編碼方法：降噪自編碼方法通過數據的逐層自編碼、解碼過程獲得良好的交通需求預測網絡初始化參數，使得網絡初始總體損失值較優(yōu)，緩解了淺層需求預測方法的局部極值與梯度彌散問題。此外人工主動隨機噪聲，迫使網絡在輸入包含噪聲的情況下重構原始輸入，進而訓練所得交通需求預測網

3、絡魯棒性、泛化能力更強，不易過擬合。另外考慮對外客運出行需求的相關影響因素間的關聯性和時間慣性，將時間序列數據研究中的窗口滑移與機器學習中的隨機森林方法相結合，提出時間窗-隨機森林組合方法的對外客運總體需求預測方法。隨機森林方法在訓練過程中共進行兩重隨機過程，第一重隨機為在宏觀交通相關數據總體訓練樣本中隨機抽取部分樣本訓練決策樹模型，未被抽取數據用以評價所得交通需求決策樹預測模型泛化性能，多次隨機抽樣獲得多顆決策樹構成交通需求預測森林模

4、型；第二重隨機為在單棵決策樹節(jié)點分裂過程中隨機選取部分屬性。兩重隨機過程使得模型過度擬合特定樣本的概率大大減少，預測模型的泛化性增強。同時以北京市宏觀經濟影響因素數據集為基礎進行實例分析，模型精度良好，驗證了方法的可行性和有效性，可運用于對外客運需求預測工作。
　　本研究側重基于機器學習方法的對外客運需求預測，分別從方法由來、數學原理與方法實現等方面進行了詳細闡述，可對省份、城市等范圍區(qū)域進行交通運輸發(fā)展規(guī)劃研究工作提供參考與借鑒