3月19日讨论会纪要1

本次3月19日的讨论会主要聚焦于一个交通流量预测的项目，涉及到毕业设计和测试环节。在探讨过程中，团队成员提出了多个关键点和建议，以下是对这些内容的详细阐述： 1. 数据统计分析：会议提议探索基于1小时和2小时的统计情况，这可能涉及到对交通流量在不同时间周期内的变化规律进行分析，以便更好地理解交通模式。 2. 特征补充： - 交叉路口计数：如果一条路线连接了两个link，这可能意味着存在交叉路口，因此增加了新特征，即每条路线遇到的交叉路口数量。 - 路径宽度：区分不同车道数的link，例如1车道、2车道、3车道和4车道，并记录它们的数量和长度，这些信息对理解道路承载能力至关重要。 - 节假日标识：确定数据中是否包含特定节日如国庆节和中秋节，这可能影响交通流量。 3. 数据清洗：讨论是否应该删除十一期间（国庆节）的数据，这可能是为了排除特殊时期的异常影响，使模型能更好地捕捉常态下的交通流量模式。 4. 研究历史数据和论文：查看过去的赛事成果，了解预期的完成标准，同时分享相关论文和研究主题，以获取灵感和最佳实践。 5. 时间特征构建：提出了一种时间特征刻画方法，即将一周划分为七个部分，每天有3×20个特征，用于预测12个时间窗口的交通流量。这种方法利用了上周和前一天的数据来预测未来。 6. 模型选择： - 提到了时间序列模型如ARIMA、指数平滑和季节性指数平滑，但它们可能只利用了车流信息，未能充分利用其他如天气的数据。 - 提议将每一天作为一个单独的训练集，用参数匹配测试集中的模型，找到最佳匹配来预测未知数据。 - 建议使用深度学习网络结合回归模型，输入变量分为固定因素、时间相关特性以及前一天和前一周的特征。 7. 明显的假期模式：注意到节假日对交通流量有显著影响，需要纳入模型考虑。 8. 流量预测策略： - 提议对每个“收费口-方向”组合建立独立的训练集，以更精确地预测特定地点的流量。 - 确定了要提取的关键特征，包括星期、时间段、是否假期、湿度、降雨、风速、收费口、方向、路径长度、路径宽度、车辆类型以及岔路口信息。 - 时间刻画将分为天、小时、20分钟的层次，并关联到每周的哪一天。 - 变量无需进行归一化处理。 9. 下阶段任务明确了数据预处理的方向，包括提取记录的星期、时间段、是否为假期、路线是否有岔路、道路长度和宽度，并定义每个变量的特征表示形式。 综上，这次讨论会主要集中在交通流量预测模型的构建，涉及了数据特征的选择、时间序列分析、模型选择和优化、以及数据预处理的细节。团队成员提出了一系列创新的思路和操作步骤，为后续的毕业设计和测试工作奠定了基础。