当前位置: > 流量 > 探讨交通流量预测研究的意义与作用,我毕业论文的研究方向是交通流量预测,我怎样才能得到一定的...

探讨交通流量预测研究的意义与作用,我毕业论文的研究方向是交通流量预测,我怎样才能得到一定的...

探讨交通流量预测研究的意义与作用

我毕业论文的研究方向是交通流量预测。你如何得到一些数据?你找到方法了吗?我和你一样

交通流量预测

智能交通系统是目前缓解城市交通压力、减少环境污染的一种有效的新方法。 交通流量预测是智能交通系统的重要组成部分,其中短期交通流量预测是主要研究内容。及时获取短期交通流预测信息有助于确保交叉口交通顺畅。 因为,[交通系统是支持社会和经济发展的基础设施。流通系统& # 983041;,在社会经济体系中占有重要地位 交通问题解决的好坏直接影响到国民经济的发展和人民生活质量的提高。 今天,世界各地的大城市都不缺交通。 首先,交通流量预测是建立交通诱导系统的核心技术,也是建立智能交通系统的一个重要方面。 对短期交通流量的预测已经进行了大量的分析和研究。 本文详细阐述了小波变换的基本原理、Mallat分解重构算法以及灰色马尔可夫预测模型的基本理论和方法。客流预测在城市轨道交通建设中起着重要的作用,路线的规划方便了人们的出行。 二是合理增加车站交通量,促进商业建筑经济发展。城市轨道交通运营管理包括交通规划与运输能力、列车运营组织与调车工作、客流预测与分析、车站工作组织、货运与票务管理、轨道系统运营分析。该专业将现代管理学科与城市轨道交通运营和客运实践相结合。该课程体现了理论联系实际的教学理念。注意,

我毕业论文的研究方向是交通流量预测,我怎样才能得到一定的...

我毕业论文的研究方向是交通流量预测。你如何得到一些数据?你找到方法了吗?我和你一样

交通流量预测

探讨交通流量预测研究的意义与作用范文

[概要/S2/]

目前,世界各地都在加大对智能交通系统的投资,提前对系统进行战略布局,为城市寻找新的发展点和新的活力。交通信息系统为城市提供快速交通引导,可以为城市公共交通提供必要的技术支持,也是交通事故处理系统的一个重要分支。交通流预测是解决交通信息系统的一个关键点,但是城市交通有其自身的特点,交通流具有一定的复杂性,因此很难用代数表达式准确分析其变化和规律。因此,交通流量预测的研究具有非常重要的现实意义。

对XGBoost和lightGBM原理的深入研究表明,lightGBM在特征选择方面具有更好的优势。目前,lightGBM还没有应用于短期交通流预测研究。lightgbm是否比XGBoost更适合于短期交通流预测,预测结果是否更可靠、更准确、更耗时,已成为一个亟待验证的问题。通过短期交通流的典型特征分析模型的适用性,根据路网、节假日、天气等条件对空和时间复杂度进行分析和建模,结合实测历史交通流数据进行预测和仿真。选择了BP神经网络、随机森林、线性回归、XGBoost和lightGBM建立相应的预测模型,验证lightGBM算法对交通流量的预测效果。然后使用lightGBM对已建立的模型参数的特征进行分类和过滤,使模型参数更加可靠和准确。

通过lightGBM建立的模型和其他四种预测交通流量的方法,对预测结果的对比分析表明,无论是否进行特征排序和筛选过程,lightGBM建立的模型都远远优于其他四种方法建立的模型,lightGBM对短期交通流量的预测结果最好。在五种模型预测中,经过lightGBM特征筛选和排序后,模型的预测结果更接近真实数据。与lightGBM相比,XGBoost的训练速度慢,不能反映交通流的时变特性。实践证明,lightGBM可以大大提高模型的预测精度,为解决交通流量预测问题提供了一种更加准确可靠的方法。

关键词:短期交通流量;机器学习;XGBoostlightGBM

摘要

世界各地都在不断增加对智能交通系统的投资,并战略性地规划该系统,为城市寻找新的发展点和新的活力。交通信息系统为城市提供快速的交通指引,并为城市的公共交通提供必要的技术支持。它也是交通事故处理系统的一个重要分支。交通流量预测是解决交通信息系统的关键,但城市交通有其自身的特点,交通流量具有一定的复杂性。很难用代数表达式来准确地分析它的变化和规律。因此,交通流预测的研究具有非常重要的现实意义。

深入研究XGBoost和lightGBM原理,发现lightGBM具有很好的特征筛选优势;lightGBM尚未应用于短期交通流量预测研究,它是否比XGBoost更适合于短期交通流量预测,预测结果是否更可靠精度更高、耗时更短已成为一个需要验证的问题。通过分析短期交通流典型特征模型的适用性,基于路网、节假日和天气等时空复杂性分析建模,结合实测历史交通流数据进行预测仿真;选择BP神经网络、随机森林、线性回归、XGBoost和lightGBM五种短期交通预测方法,建立相应的预测模型,验证lightGBM算法的交通预测效果。然后使用lightGBM对已经建立的模型参数进行排序,使模型参数更加可靠和准确。

该模型由lightGBM和其他四种交通流预测方法构成。通过对预测结果的比较和分析,可以看出无论特征是否经过排序和筛选,lightGBM模型都比其他四种方法好得多。短期交通流量预测是最好的。在五种模型预测中,经过lightGBM特征过滤和排序过程后,模型的预测结果更接近真实数据。与lightGBM相比,XGBoost训练速度慢,不能更好地反映交通流的时变特性。实践证明,lightGBM可以大大提高模型的预测精度,为解决交通流预测问题提供了一种更加准确可靠的方法。

关键词:短时交通流量;机器学习;XGBoostlightGBM

目录

1导言

1.1研究背景

随着城市人口的不断增长,城市交通引发的问题越来越受到人们的关注,交通问题已经成为亟待解决的关键问题。它的重要性不仅体现在交通问题与个人行为密切相关,而且对宏观城市建设和规划管理具有决定性的影响。在车辆类型和数量极其庞大且不断增长的情况下,解决交通问题的最迫切需要是如何避免拥堵并提高交通效率([7】)。在此之前,在城市的初步规划设计中,城市建设的各个方面也应考虑到城市结构的合理布局。交通拥堵和效率低下已经成为全球性问题。无论是在发达国家还是发展中国家,城市人口大量增加带来的最直接问题是交通工具的增加和交通堵塞的频繁发生。日常交通状况的改善也需要从提高交通效率开始,[7]。为了改善交通拥堵状况,已经采取了限制车牌号码和彩票号码等措施。然而,在不能减少车辆总数的前提下,只能防止极端拥挤。交通效率的提高可以从许多方面着手,大数据的出现为这个问题提供了一个新的解决方案。每天每个城市都会形成大量的交通数据。以前,这些数据没有充分反映其价值,但是随着大数据处理的快速发展,这些存储的数据开始发挥其作用。大数据的分析和处理可以为解决交通问题提供新的途径。在智能交通系统中,有许多重要环节,短期交通流量的预测在智能交通系统中起着不可替代的作用,对城市道路网的总体设计和建设有着深远的影响。为了建设智能城市,实时预测交通流量是一个迫切的问题。

一般来说,长期交通流量预测是指通过监测一个月或一年来计算某个地方的交通流量值。然而,由于交通的时变特性,在现实生活中对交通流量的预测并不突出。预测短时间内的交通流量非常重要,[8-10]。目前,在预测短期交通流量时,先进的人工智能技术得到了广泛的应用。为了尽可能准确地预测短期交通流量,需要大量的交通数据。实时数据和历史数据非常有用。目前,大部分交通数据是通过传感器技术、全球定位系统定位技术等进行采集和存储的。在解决交通问题时,一些研究者开始关注快速发展的机器学习技术。如果该技术能够成功应用于交通问题,对解决交通流量预测问题将具有积极的意义。机器学习模型已经在许多领域得到应用,但是对交通流预测还缺乏系统的研究。以前,一些研究者也做过一些交通流量预测的实验,如使用深度置信网络和使用水平自动编码机进行预测研究。这两种研究方法有相同的观点。交通流的预测是以大量的监测交通数据为输入,经过预学习处理,并以处理后的结果为输出。

尽管有上述一些研究,但不可否认的是,目前使用的方法不能满足实际预测的需要。主要有两个问题:一方面,在大量车辆频繁出现的城市地区,不同位置的交通流在车辆运动中往往会相互影响。在复杂的路网中,由于时变的原因,路网中不同的时间和地点会有很大的差异,这些差异与很多因素有关,如城市道路的拓扑关系、天气因素的影响等。以前的方法只建立了时间序列数据的模型,而没有考虑这些空 [11]。另一方面,以往的预测方法难以确定交通流特征的选择极限,导致信息不足或误导,非常不利于高精度的交通流预测。本文的重点是验证XGBoost和lightGBM在解决这类问题时是否有更好的预测效果,以及lightGBM在相同固有属性的条件下,经过特征选择后是否能够提高其他预测方法及其预测精度。

1.2研究目的和意义

在国民经济发展中,运输业是其他产业蓬勃发展的基石。其发展水平直接关系到我国经济的平稳运行。随着交通运输业的快速发展,也带来了交通事故、交通堵塞和空气污染等重大问题,这些问题已经成为影响我们生活质量的重要问题,需要我们关注。不同城市也开始探索适合自身发展和特点的智能交通系统,实现智能交通预测,解决城市的具体问题。智能交通流量预测一直受到各大城市的重视,因为它将根据待预测区域的实时交通流量数据和过去一段时间的交通流量数据进行具体的内部分析,找出内部关联的参数特征,建立精确的数学模型,然后借助一些先进的算法对未来一段时间内该区域的交通流量进行估计。根据这种方法,城市交通管理部门可以对复杂的交通状况进行实时监测,提前预测,并协助开展道路分流工作。这对城市的交通安全和交通效率具有积极意义。

这不仅可以为城市路网设计和规划提供重要参考,也可以为城市相关政策和交通发展规划提供理论和实时依据。交通流变化预测是城市交通管理的重要技术支持,也为提前了解道路交通状况、预防交通拥堵和估计交通事故提供了重要的技术支持。通过对现有数据的分析,我们可以知道我国城市交通事故频发的主要原因是城市道路交通效率低下和交通堵塞。这个地区的问题不是一个城市的问题,而是所有大城市的共同问题。通过交通流量预测及时调整主干道是缓解城市交通拥堵的重要途径之一。因此,交通流量预测对降低事故率、缓解拥挤的道路环境具有积极意义。同时,它还能为公众提供方便舒适的旅游环境。

在监测某一区域时,考虑到监测过程是一个随机过程,具有时间变化的特点,没有固定的数学规则,而且与统计时间也有很大的关系,统计时间越长,稳定性越好,这也是[5]短期交通流量预测的难点。综上所述,交通流量预测对降低事故率、缓解拥挤的道路环境具有积极意义,也是保证[城市交通效率的重要保证。然而,这些问题的关键是在短时间内准确预测交通流量,这也是本文对传统方法进行改进,验证和评价XGBoost和lightGBM等新方法的适用性的目的。

1.3国内外研究现状

在短期交通流的研究过程中,如何将以往的预测模型和传统的预测原理应用到短期预测中,国外学者早在20世纪60年代就开始了这一领域的研究,并取得了一些实际而可观的成果。在短期流量预测问题的建模研究中,通常采用两种方法。这两种方法的主要区别在于建立数学模型。目前,线性回归算法和神经网络方法是没有数学模型的常用方法。另一种方法主要包括卡尔曼滤波和时间序列算法[1-5]。其中,时间序列模型有着广泛的应用模型,即ARIMA模型。在20世纪70年代,两位科学家詹金斯和博克斯通过一系列实验建立了这个模型。该模型可以高精度地预测复杂多变的交通流,但其主要缺点之一是参数估计操作较为复杂。20世纪60年代初,著名科学家卡尔曼提出了一种预测精度较高、预测选择灵活的模型,即卡尔曼滤波模型。该模型具有良好的稳定性和鲁棒性。然而,这不是一个可以在任何情况下使用的模型。它的主要应用范围是线性估计。然而,交通流量的预测具有很强的非线性特征,所以即使在几分钟内,也会有很大的误差。

人工神经网络也是一种有效的算法。该算法是在20世纪40年代提出的。长期以来,直到1901年,该算法才在交通流量预测中得到很好的应用。著名科学家chin通过对交通流数据的分析,验证了该算法在交通流领域的有效性。同时,克拉克等两位学者也在短时间内验证了该算法在交通流分析过程中的有效性。因此,长期以来,国内外学者已经开始对该算法进行深入研究,使得该算法能够在短时间内对交通预测发挥重要的实用价值。然而,没有一种方法适合所有人。为了合理、准确地使用该算法,需要大量的数据进行学习分析。然而,如果当前可用的数据量不能满足算法的早期学习分析,模型的预测结果将与实际情况有很大不同。后来,一些学者开始将模糊控制与预测交通流量的算法相结合,即模糊神经网络算法。通过大量的验证,发现该算法在复杂时变交通环境下能够达到很好的应用效果。2006年,曹凯等学者提出了组合ARIMA模型,这是荣达黄等学者构建的交通流时间序列组合预测模型WANN,它结合了小波变换和神经网络方法。通过验证,该模型能够取得良好的效果。到目前为止,通过对国内外短期交通流量预测的对比分析,我们可以知道,由于我国自身的特点,这一领域还处于起步阶段。

要将其应用于实践,还有很长的路要走。在这一领域,天津大学的马守峰教授运用分类理论可以在短时间内获得较好的预测效果。同时,吉林理工大学朱忠和教授将道路上的交通流分为上游和下游两个路段,有效地将上游和下游结合起来,形成一个线性关系的数学函数。通过测试过去两周内任意一天的交通流量差异和比率,可以预测下一段时间内的交通流量变化。

实验结果表明,该算法取得了令人满意的结果和较高的准确率。不仅上述学者建立了一些模型,许多学者也在探索和研究这些模型。例如,王殿海教授建立的模型结合最小二乘法原理,为交通流预测过程提供了一个很好的研究思路,进一步丰富了该领域的成果。同时,贺国光教授对小波分析进行了深入的研究,并将其应用于交通预测。它也获得了重要的理论参考价值,为交通流预测模型的建立提出了一种新的方法。

目前,已经应用于日常生活中的交通流可视化是针对实时状态(即正在进行中)的,在优化待行驶道路方面存在一定的滞后。虽然这种滞后可以指导未进入该区域的交通,但它不能指导刚刚进入或在15分钟内已经进入的车辆的决策。因此,预测这一时期的交通流量具有重要的现实意义。

上述方法都是基于传统的交通流量预测模型,对于最近研究的[11]和[12]没有交通流量预测分析。通过查阅文献,我们发现算法模型中仍然缺乏xgboost和lightgbm的应用,具有参考价值的研究成果仍然需要我国许多学者的共同努力。短期交通流预测作为城市道路交通诱导决策的重要支持,在智能交通系统中起着至关重要的基础性作用。短期交通流量的变化受多种因素的影响。传统的建模方法不仅复杂,而且难以移植已建立的模型[6】。在文献[7-23]中,筛选出常用的传统算法进行预测精度的研究和比较,并通过lightgbm产生的新特征对算法进行重新优化,最后选择最优算法,并将该算法应用于预测未来某一点的短期交通流,从而为该区域提前出现的交通状况做好准备。

1.4本文研究的内容和技术路线

本文以贵州省公布的数据为预测数据集,分别采用线性回归、随机森林、BP神经网络、XGBoost和lightGBM模型进行初步预测。lightGBM目前不用于短期交通流量预测,lightGBM是2017年出现的一种模型,非常受欢迎。本文的主要内容是研究这些模型在短期交通流量预测中是否优于其他传统模型,并通过比较验证lightGBM在短期交通流量预测中是否比其他方法具有明显优势。最后,结合lightGBM模型在筛选特征方面的优势,看看它能否提高自身模型和传统模型的预测精度,最后验证lightGBM是否是最佳的预测模型。

1.4.1研究内容

本文共分为六章,包括:第一章是绪论,详细阐述了本文研究的背景和意义。同时,对国内外该领域的研究现状进行了对比分析。文章还简要介绍了本文的研究内容。第二章是短期交通流及相关工作。主要介绍了短期交通流量预测的相关概述以及解决这些问题常用的预测方法。第三章介绍了短期交通流量预测的相关理论和算法,特别是近两年流行的XGBoost模型和lightGBM模型的算法、优缺点。第四章主要分析和解释数据集的相关内容,并对数据集进行描述性统计和数据预处理。第五章是实验优化模型及结果分析和应用。主要用于构建和改进五个模型,并对结果进行分析和总结。第六章总结了本文实验研究的前景和结论。同时,根据结论,总结了相关特征对交通流的影响,并总结了本文研究内容的不足。

1 . 4 . 2[技术路线/S2/]

本文主要包括四个部分

(1)特征工程的构建过程以交通流量预测知识系统为背景,利用原始数据源的基本分析,找出数据集中对因变量有影响的所有自变量,并根据结果生成、提取、删除或组合。

(2)根据分析处理后的样本数据和特征,选择线性回归、随机森林、BP神经网络、XGBoost和lightGBM五种算法进行比较,验证lightGBM是否适合该样本下的短期交通流量预测。

(3)利用lightGBM对特征参数进行排序和筛选,重新建模,优化其他模型和自己的模型,比较最终预测结果,看每个模型的准确性是否可以提高,验证lightGBM特征筛选后每个模型都有一定程度的优化,验证lightGBM特征筛选后是否更适合短期交通流量预测。

(4)根据实验结果,分析和论证了对交通流量预测影响较大的几个典型特征。

[由于本文是硕士论文,请点击下方链接下载全文]

2短期交通流量预测概述
2.1短期交通流量
2.1.1交通流量概述
2.1.2交通流量典型特征
2.2预测方法选择
2.3本文总体框架图
2.4本章总结

3短期交通流量预测理论
3.1三种传统算法原理分析
3.1.1线性回归算法原理
3.1.2随机森林基本原理
3.1.3BP神经网络
3.3XGBoost模型算法原
3.3.1算法基本原理
3.3.2正则化项
3.3.3树生成

3.3.4优缺点
3.4千兆位模型算法原理[/BR/]3 . 4 . 1千兆位梯度迭代决策树
3.4.2基于梯度的单边采样算法
3.4.3排他性重采样算法[/BR/]3 . 4 . 4基于直方图的算法
3.4.5具有深度限制的叶向叶片生长策略
3.5短期交通流量预测模型的比较

4短期交通流数据分析
4.1短期交通流数据收集概要
4.2短期交通流探索性分析
4.3短期交通流数据预处理
4 . 3 . 1 one-子类型变量的热编码处理
4.3.2缺失样本值的处理
4.4短期交通流的可视化分析
4.4.1

5预测模型设计建模与参数优化
5.1预测模型
5.2原始特征建模与优化
5.2.1原始特征传统预测模型建模与优化
5.2.2原始特征新兴预测模型建模与优化
5.3原始特征模型对比分析
5.4特征子集构建与再建模
5.4

6[概述和展望/S2/]

6.1[概述/S2/]

通过本文的研究,验证了lightGBM在该样本下对短期交通流预测的有效性,并为短期交通流预测找到了一种新的预测算法模型。同时,利用lightGBM对原始特征进行排序和筛选,分别选择20个、30个和40个最重要的特征作为候选特征子集,用于5个预测模型的重新建模训练和优化。从实验结果来看,太少的特征子集丢失了一些有用的信息,导致模型精度下降。当特征子集的数量为30或40时,特征子集包含大部分有用的特征,同时删除一些噪声和冗余特征,使得模型的效果显著提高。同时,由于输入变量维数减少,模型的训练时间比原始数据减少,从而提高了模型的训练效率,增加了模型的实用性。以上测试结果都验证了五种模型在筛选lightGBM特征后预测结果有所提高,lightGBM仍然是本样本下最合适的模型。

6.2展望

短期交通流量预测可以应用于生活的各个方面。例如,在出行之前,可以对可能经过的交叉口进行一定程度的拥堵预测。如果发现道路会拥堵,可以及时改变出行计划,提高出行效率。本文采用多种方法对采集的数据进行建模和分析,并在实验过程中发现了许多改进。首先,就数据源而言,可以收集越来越详细的数据或收集更多的维度信息来提高数据质量。其次,在算法选择方面,我们没有尝试当前热门的深度学习模型,并进一步探讨了如何在这个数据集上应用深度学习模型。最后,我们还可以利用积分算法进一步提高模型的性能,从而更准确地预测交叉口的平均通行时间。

致谢
参考

[由于硕士论文篇幅较长,本页未显示全文。全文请点击以下链接下载全文]

点击下载全文