基于機器學習技術的交通流預測模型研究與實現(xiàn).pdf

1、經濟的高速發(fā)展，城市化水平的不斷提高，在改善人民生活質量的同時，也隨之帶來了嚴重的交通擁堵問題，如何利用城市的歷史交通流量，對未來的交通狀況進行快速而精準的預測，是智能交通領域一大重要的研究課題。傳統(tǒng)的處理交通流預測問題的方法可以分為基于數(shù)學模型的方法（如卡爾曼濾波模型、時間序列模型等）和無數(shù)學模型的方法（如神經網絡模型、非參數(shù)回歸模型等）。
　　然而，傳統(tǒng)的方法在應對變化日益復雜的交通流數(shù)據(jù)上，已經表現(xiàn)出了一定的局限性，這主要表

2、現(xiàn)為:(1)在應對非線性問題上，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測精度;(3)大量樣本所帶來的對于效率的挑戰(zhàn)。近年來，隨著數(shù)據(jù)挖掘、機器學習等以數(shù)據(jù)為導向的技術的興起，對于交通流預測的研究越來越多地與以上算法結合，這帶來了預測精度的大大提升。
　　論文以美國加州交通局Pems數(shù)據(jù)集作為實驗數(shù)據(jù)，首先，針對交通流的非平穩(wěn)特性，提出基于DBSCAN算法與最優(yōu)分割算法結合的雙階段有序聚類模型，實現(xiàn)了在缺少

3、先驗知識的條件下，以更小開銷對有序樣本的聚類，并在實驗數(shù)據(jù)上證明了聚類結果的合理性;在有序聚類模型的基礎上，提出基于時間分段的支持向量機模型，以擬合優(yōu)度作為指標，證明了該模型能夠達到理想的回歸精度;論文還提出基于歷史數(shù)據(jù)加權的交通流序列生成模型，該模型利用基于時間分段的支持向量機模型來進行參考值的生成，從而將生成的參考值與歷史數(shù)據(jù)進行加權，并通過迭代上述過程，生成交通流序列，并在與真實序列的比較中，證明了該模型所生成序列的精度;最后，論