基于機(jī)器學(xué)習(xí)技術(shù)的交通流預(yù)測(cè)模型研究與實(shí)現(xiàn).pdf

1、經(jīng)濟(jì)的高速發(fā)展，城市化水平的不斷提高，在改善人民生活質(zhì)量的同時(shí)，也隨之帶來(lái)了嚴(yán)重的交通擁堵問(wèn)題，如何利用城市的歷史交通流量，對(duì)未來(lái)的交通狀況進(jìn)行快速而精準(zhǔn)的預(yù)測(cè)，是智能交通領(lǐng)域一大重要的研究課題。傳統(tǒng)的處理交通流預(yù)測(cè)問(wèn)題的方法可以分為基于數(shù)學(xué)模型的方法（如卡爾曼濾波模型、時(shí)間序列模型等）和無(wú)數(shù)學(xué)模型的方法（如神經(jīng)網(wǎng)絡(luò)模型、非參數(shù)回歸模型等）。
　　然而，傳統(tǒng)的方法在應(yīng)對(duì)變化日益復(fù)雜的交通流數(shù)據(jù)上，已經(jīng)表現(xiàn)出了一定的局限性，這主要表

2、現(xiàn)為:(1)在應(yīng)對(duì)非線性問(wèn)題上，許多算法存在局限性;(2)交通流的非平穩(wěn)特性，大大影響著模型的預(yù)測(cè)精度;(3)大量樣本所帶來(lái)的對(duì)于效率的挑戰(zhàn)。近年來(lái)，隨著數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)等以數(shù)據(jù)為導(dǎo)向的技術(shù)的興起，對(duì)于交通流預(yù)測(cè)的研究越來(lái)越多地與以上算法結(jié)合，這帶來(lái)了預(yù)測(cè)精度的大大提升。
　　論文以美國(guó)加州交通局Pems數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)，首先，針對(duì)交通流的非平穩(wěn)特性，提出基于DBSCAN算法與最優(yōu)分割算法結(jié)合的雙階段有序聚類(lèi)模型，實(shí)現(xiàn)了在缺少

3、先驗(yàn)知識(shí)的條件下，以更小開(kāi)銷(xiāo)對(duì)有序樣本的聚類(lèi)，并在實(shí)驗(yàn)數(shù)據(jù)上證明了聚類(lèi)結(jié)果的合理性;在有序聚類(lèi)模型的基礎(chǔ)上，提出基于時(shí)間分段的支持向量機(jī)模型，以擬合優(yōu)度作為指標(biāo)，證明了該模型能夠達(dá)到理想的回歸精度;論文還提出基于歷史數(shù)據(jù)加權(quán)的交通流序列生成模型，該模型利用基于時(shí)間分段的支持向量機(jī)模型來(lái)進(jìn)行參考值的生成，從而將生成的參考值與歷史數(shù)據(jù)進(jìn)行加權(quán)，并通過(guò)迭代上述過(guò)程，生成交通流序列，并在與真實(shí)序列的比較中，證明了該模型所生成序列的精度;最后，論