基于机器学习的交通状态判别与预测方法研究_机器学习的交通流预测资源-CSDN文库

版权申诉

5星 · 超过95%的资源 177 浏览量 2022-04-27 17:40:33 上传评论 1 收藏 9.84MB PDF 举报

资源推荐

资源详情

资源评论

摘要

基于机器学习的交通状态判别与预测方法研究

随着社会经济的高速发展，出行需求的持续增加，道路供需矛盾日益突出，致使

交通拥堵路段的数量和里程逐年增加。实时准确的交通状态判别和预测，对于交通拥

堵的智能管控具有重要的作用。随着 ITS 的逐步实施，各类交通检测设备提供了不同

精度、广度和深度的大量交通数据。然而，如何有效分析交通数据却成为一个巨大的

挑战。传统数据分析方法往往具有特定的模型结构和过多的假设条件，而不能满足分

析各类数据的需求。因此，有必要研究和探索用于交通状态判别与预测的新方法，以

充分挖掘交通数据所蕴含的丰富交通信息，进一步提升交通状态判别与预测的准确性

和可靠性。

本研究旨在改善交通状态判别与预测的效果，在分析各类交通数据的基础上，采

用先进机器学习方法，并有机结合特征选择、群体智慧搜索和时间序列分析等理论方

法，对交通状态判别与预测方法展开深入研究。主要研究内容及成果如下：

（1）基于 PSO-SVR 优化 FCM 的交通流缺失数据修复方法

在分析交通流数据时空相关性的基础上，提出了基于 PSO-SVR 优化 FCM 的缺失

数据修复方法，以模糊 C 均值（FCM）为基础算法，采用粒子群优化算法（PSO）和

支持向量回归（SVR）的组合形式对 FCM 进行优化。首先，分析了交通流数据缺失

模式和缺失数据的表达形式；然后，分别以城市快速路和主干路数据为例，对交通流

数据的时空相关性进行分析，并在此基础上，确定算法的输入；最后，从三个角度设

计实验方案，对所提出方法的性能进行测试。

（2）基于变量选择和 KELM 的交通事件自动检测方法

在分析事件发生时段交通流参数变化规律的基础上，选择 15 个变量构成事件检测

初始变量集。然后，通过随机森林-递归特征消除算法从初始变量集中选择重要变量。

以重要变量为输入，训练 KELM 模型，并通过 GSA 优化模型参数。此外，针对事件

样本和非事件样本不平衡的问题，选用 SMOTE 方法平衡两类样本。

（3）基于 NCA-BOA-RF 的交通事件持续时间预测方法

在分析交通事件持续时间影响因素的基础上，并考虑所使用数据集的特征，从而

选择 18 个影响因素作为事件持续时间预测的相关变量。通过近邻成分分析（NCA）

找出 6 个关键影响因素作为特征变量；然后使用特征变量构造训练集，训练随机森林

算法并采用贝叶斯优化算法（BOA）进行参数优化。此外，在测试算法性能的过程中，

第 1 章绪论 ........................................................................................................ 1

1.1 依托项目 ................................................................................................... 1

1.2 研究背景及意义 ....................................................................................... 1

1.3 研究现状 ................................................................................................... 2

1.3.1 交通流缺失数据修复的研究现状 ................................................... 3

1.3.2 交通事件自动检测的研究现状 ....................................................... 4

1.3.3 交通事件持续时间预测的研究现状 ............................................... 6

1.3.4 交通状态判别的研究现状 ................................................................ 8

1.3.5 交通状态预测的研究现状 ................................................................ 9

1.4 研究框架与章节安排 ............................................................................. 11

1.4.1 研究框架 .......................................................................................... 11

1.4.2 章节安排 .......................................................................................... 12

1.5 本章小结 ................................................................................................. 14

第 2 章基于 PSO-SVR 优化 FCM 的交通流缺失数据修复 ........................ 15

2.1 概述 ......................................................................................................... 15

2.2 交通流缺失数据 ..................................................................................... 15

2.2.1 交通流缺失数据模式 ...................................................................... 15

2.2.2 基于矩阵的交通流缺失数据表达 ................................................. 17

2.3 基于 PSO-SVR 优化 FCM 的缺失数据修复方法 ............................... 18

2.3.1 基于模糊 C 均值（FCM）的修复方法 ........................................ 18

2.3.2 支持向量回归（SVR） .................................................................. 20

吉林大学博士学位论文

2.3.3 粒子群优化（PSO） ...................................................................... 22

2.3.4 基于 PSO 优化 SVR 的缺失数据修复方法 .................................. 23

2.3.5 基于 PSO 优化 FCM 的缺失数据修复方法 .................................. 24

2.3.6 PSO-SVR-FCM 方法的流程和步骤 ............................................... 25

2.4 实证分析 ................................................................................................. 26

2.4.1 数据描述 .......................................................................................... 26

2.4.2 交通流数据时空相关性分析.......................................................... 30

2.4.3 实验方案设计 .................................................................................. 39

2.4.4 实验结果与分析 .............................................................................. 40

2.5 本章小结 ................................................................................................. 58

第 3 章基于变量选择和 KELM 的交通事件自动检测 ................................ 59

3.1 概述 ......................................................................................................... 59

3.2 平衡数据集 ............................................................................................. 59

3.3 初始变量集的构建 ................................................................................. 60

3.4 基于 RF-RFE 的变量选择 ..................................................................... 62

3.4.1 随机森林（RF）与变量重要性分析 ............................................. 62

3.4.2 随机森林-递归特征消除（RF-RFE）算法 .................................. 64

3.5 基于变量选择和 KELM 的 AID 算法 .................................................. 64

3.5.1 核极限学习机（KELM） .............................................................. 64

3.5.2 万有引力搜索算法（GSA）.......................................................... 66

3.5.3 AID 算法流程和步骤 ....................................................................... 68

3.6 实证分析 ................................................................................................. 69

III

3.6.1 实验数据及预处理 .......................................................................... 69

3.6.2 变量选择 .......................................................................................... 70

3.6.3 算法参数优化 .................................................................................. 71

3.6.4 性能分析 .......................................................................................... 72

3.7 本章小结 ................................................................................................. 74

第 4 章基于 NCA-BOA-RF 的交通事件持续时间预测 ............................... 75

4.1 概述 ......................................................................................................... 75

4.2 交通事件持续时间及影响因素 ............................................................. 75

4.3 基于 NCA-BOA-RF 的交通事件持续时间预测 .................................. 76

4.3.1 基于 NCA 的特征变量选择 ........................................................... 76

4.3.2 基于 BOA 的超参数优化 ............................................................... 78

4.3.3 随机森林（RF） ............................................................................. 79

4.3.4 NCA-BOA-RF 方法的流程和步骤 ................................................. 79

4.4 实证分析 ................................................................................................. 80

4.4.1 数据来源与分析 .............................................................................. 80

4.4.2 NCA-BOA-RF 的应用 ..................................................................... 83

4.4.3 结果与分析 ...................................................................................... 87

4.5 本章小结 ................................................................................................. 90

第 5 章基于谱聚类和 RS-KNN 的交通状态判别 ......................................... 91

5.1 概述 ......................................................................................................... 91

5.2 谱聚类（SC） ........................................................................................ 91

5.3 RS-KNN ................................................................................................... 92

剩余166页未读，继续阅读

评论收藏

内容反馈

版权申诉

weixin_56984616

2023-02-21

资源中能够借鉴的内容很多，值得学习的地方也很多，大家一起进步！
weixin_51778379

2022-05-18

用户下载后在一定时间内未进行评价，系统默认好评。

「已注销」

粉丝: 792
资源: 3613

基于机器学习的交通状态判别与预测方法研究

基于机器学习的交通状态判别与预测方法

基于机器学习的轨迹预测方法研究

基于机器学习的时间序列预测方法研究与应用

基于机器学习的交通状态判别与预测方法研究.pptx

基于机器学习的风险预测方法研究.pdf

一种基于机器学习的ADAS车道类型判别方法.pdf

论文研究-基于FCM城市区域道路交通状态时空分层判别方法.pdf

一种基于深度学习的离散化交通状态判别方法.pdf

基于模糊C均值聚类的交通状态判别研究.pdf

290-基于PNN的山地快速路交通状态判别方法及应用-word资料.pdf

基于多机器学习竞争策略的短时交通流预测.pdf

基于机器学习算法的交通标志图像智能识别.pdf

基于群智能优化的机器学习方法研究及应用

Python本科毕业设计基于机器学习的重庆轨道交通客流量时空分析预测.zip

基于生理指标监测的U19、U17足球运动员训练效果干预研究——机器学习判别应用.pdf

行业资料-交通装置-一种基于电池管理系统的电池状态判别方法.zip

行业资料-交通装置-一种基于交通状态的车辆攻击性驾驶判别方法.zip

基于Python机器学习的A环空压力状态判别.zip

基于Python机器学习的A环空压力状态判别.pdf

基于Spark的机器学习应用框架研究与实现

基于机器学习的前交通动脉瘤破裂预测模型的构建.pdf

基于机器学习的交通数据分析与应用.pdf

基于机器学习的中观交通仿真器模型参数标定.pdf

论文研究-基于遗传算法的交通信号机器学习控制方法.pdf

基于机器学习的滑坡易发性区划与降雨诱发滑坡预报预警研究

基于机器学习的交通流参数异常数据处理模型研究.pdf

毕业设计基于机器学习python实现的重庆轨道交通客流量时空分析预测项目源码.zip

基于机器学习的道路事故预测分析-研究论文

基于Swarm和机器学习的城市道路交通系统多主体仿真研究.pdf

最新资源