论文部分内容阅读
短时交通流预测是智能交通系统中的重要组成部分,是实现有效的交通控制和交通诱导的前提,也是科学地部署智能交通系统的关键。因此,如何有效地利用多源交通流信息,实现准确、实时和稳定的短时交通流预测,是提升智能交通系统性能的核心问题之一。交通流通常容易受外界环境因素的影响而发生变化,当交通流波动较大时,传统预测模型的准确性及稳定性较差,并且其训练阶段耗时较多,无法很好地满足实时性的要求。本文以短时交通流预测的准确性、稳定性及实时性为出发点,结合极限随机树(Extremely Randomized Trees,ET)算法的优点,研究交通流高峰期以及交通流异常波动时段的短时交通流预测方法。主要工作如下:针对短时交通流预测的准确性及稳定性不足的问题,基于Adaboost集成思想,将ET作为基学习器,提出一种融合极限随机树和集成学习(Ensembles of ET,EET)的短时交通流预测模型。为了提高预测的准确性,首先,使用指数加权移动平均模型对交通流数据变化趋势进行预估,获得交通流的变化趋势;其次,使用算术平均融合机制,将单个ET学习器中每棵决策树的预测结果进行融合,同时可控制过拟合问题;为了提高预测的稳定性,使用Adaboost加权融合机制,对集成学习中每一个E T学习器的预测结果进行加权投票,避免ET基学习器预测出现较大的偏差而导致预测模型性能不稳定的情况。通过实验验证,该模型的平均预测精度与支持向量回归等预测模型相比,提升了 5.6%-21.8%。此外,为了解决EET模型对于单个探测点的预测精度有时会低于支持向量回归模型的问题,在保证预测模型稳定性的同时,对EET预测模型进行改进,提出一种基于交通流分段的EET(Advanced EET,AEET)短时交通流预测模型。由于交通流预测问题可视为时间序列处理问题,考虑到不同时间段的交通流子序列的变化趋势具有差异性,在训练之前,使用单层自组织增量神经网络和回馈标量滤波器结合的方法,将具有相似变化趋势的序列进行子序列提取,分别学习序列的局部特征,使得特征更加具有代表性,从而进行分段训练,提高预测模型的精度。通过实验验证,AEET预测模型与EET预测模型相比,其精确度提高了将近30%。在保证预测实时性的前提条件下,本文提出的预测模型较好地解决了短时交通流预测的准确性及稳定性不足的问题,为提升智能交通系统性能提供了有效的帮助。