没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
试读
167页
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
资源推荐
资源详情
资源评论
摘 要
I
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,
吉林大学博士学位论文
II
考虑了缺少变量的情况。
(4)基于谱聚类和 RS-KNN 的交通状态判别模型
有机结合监督学习和无监督学习算法的优势,构建了一种基于谱聚类与 RS-KNN
的交通状态判别模型。以地点交通参数为基础,根据交通流运行特性并结合中国道路
服务水平的四个等级,采用谱聚类算法将交通状态划分为四类;然后,使用已分类的
交通流数据训练 RS-KNN 模型;最后,采用实测数据验证了该模型的有效性。
(5)基于时序分析和机器学习的交通状态预测模型
本部分以机器学习方法为基础,分别结合两种时间序列分析理论,构建了两种短
时交通参数预测模型。第一,针对交通参数时间序列具有混沌特性的问题,将机器学
习方法与混沌时间序列分析理论相结合,构建了基于多变量相空间重构(MPSR)和
组合核函数-最小二乘支持向量机(CKF-LSSVM)的短时交通预测模型。在分析交通
参数时间序列混沌特性的基础上,通过 MPSR 确定 CKF-LSSVM 模型的最佳输入形式,
并采用 PSO 优化模型参数。实证分析表明,考虑混沌特性以及采用多变量作为模型输
入,都有利于提高预测精度。第二,针对交通参数观测序列含有噪声成分的问题,将
机器学习方法与时间序列降噪理论相结合,构建了基于奇异谱分析(SSA)与核极限
学习机(KELM)的短时交通预测模型。通过 SSA 过滤原序列的噪声成分,然后使用
降噪数据训练 KELM 模型并通过 GSA 优化模型参数。实证分析表明,以降噪数据为
模型输入,有利于提高预测精度。
关键词:
缺失数据修复,交通事件自动检测,事件持续时间预测,交通状态判别,交通状
态预测,机器学习
目 录
I
目 录
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
II
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
目 录
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
资源评论
- weixin_569846162023-02-21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_517783792022-05-18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
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 555springboot + vue 线上教学平台.zip(可运行源码+数据库文件+文档)
- 554springcloud + vue 房产销售平台.zip(可运行源码+数据库文件+文档)
- 小霸王坦克游戏源码.7z
- 蓝桥杯单片机基础学习项目(LED,数码管,蜂鸣器,继电器,按键控制)
- 553springboot + vue 某银行OA系统.zip(可运行源码+数据库文件+文档)
- DatabaseWatermarkingBasedonTextFormat
- yolov8常用二维码检测检测+数据集
- -移动通信-网络课程设计与研究
- 基于Python的PCA人脸识别算法的原理及实现代码+文档详解.zip
- 甘肃移动全业务工程建设项目管理流程优化研究
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功