基于多模型融合的交通流量預(yù)測(cè)

劉振輝

0 引言

智能交通系統(tǒng)(Intelligent Transportation System)簡(jiǎn)稱(chēng)ITS[1]，早在上個(gè)世紀(jì)就已經(jīng)提出這個(gè)概念，它是將多學(xué)科多技術(shù)領(lǐng)域進(jìn)行融合的系統(tǒng)。現(xiàn)代智能交通也是基于ITS的開(kāi)發(fā)，如今對(duì)于交通擁堵的措施依然是采用觀(guān)察到擁堵，再進(jìn)行交通交管，所造成的問(wèn)題就是響應(yīng)時(shí)間長(zhǎng)，采取措施有延遲，并不能準(zhǔn)確的進(jìn)行有效的控制，先通過(guò)歷史數(shù)據(jù)可以準(zhǔn)確的預(yù)測(cè)出接下來(lái)時(shí)刻的多道路的交通流量變化，可以做到提前預(yù)防，并且多多路段的預(yù)測(cè)，可以實(shí)現(xiàn)對(duì)癥下藥，對(duì)正確的上游路段或者下游路段采取措施。隨著計(jì)算能力的提高，人工智能的飛速發(fā)展，今年來(lái)對(duì)于交通流量的預(yù)測(cè)也成為交通部門(mén)的重點(diǎn)研究問(wèn)題。

短時(shí)交通流量預(yù)測(cè)，近幾年中對(duì)應(yīng)推出的算法也有很多種[2-7]，但由于數(shù)據(jù)封鎖，計(jì)算能力的限制，對(duì)交通流量預(yù)測(cè)能力也限制在一定的程度。本文針對(duì)由官方提供的實(shí)時(shí)的132條道路的3,4,5,6四個(gè)月每個(gè)時(shí)刻的實(shí)時(shí)交通數(shù)據(jù)，進(jìn)行仿真實(shí)驗(yàn)最終實(shí)驗(yàn)提高對(duì)交通流量的準(zhǔn)確預(yù)測(cè)。

1 數(shù)據(jù)預(yù)處理

根據(jù)真實(shí)交通流量數(shù)據(jù)，我們需要預(yù)先做數(shù)據(jù)預(yù)處理去掉噪聲數(shù)據(jù)，幾個(gè)月里有特殊節(jié)假日前后對(duì)交通流量影響較大，根據(jù)國(guó)家的法定假日時(shí)間去掉節(jié)假日以及前一天和后一天的數(shù)據(jù)，以及針對(duì)離群值過(guò)大的數(shù)據(jù)和峰值偏差過(guò)大的數(shù)據(jù)也采用舍棄防止影響總體預(yù)測(cè)效果，針對(duì)缺失值采用取平均值補(bǔ)全策略。

2 特征提取

本文對(duì)交通數(shù)據(jù)提取特征主要分為四方面：

i、道路基本信息，包括道路的長(zhǎng)度寬度，以及道路的等級(jí)

ii、根據(jù)歷史數(shù)據(jù)k天前的交通流量數(shù)據(jù)構(gòu)造時(shí)間數(shù)據(jù)特征

iii、為短時(shí)的交通流量信息，與每條道路相連的其他道路的交通流量信息構(gòu)造特征

iv、基本時(shí)間特征，針對(duì)時(shí)間序列構(gòu)造滑動(dòng)窗口構(gòu)造時(shí)間信息特征，滑動(dòng)窗口變相增加樣本數(shù)據(jù)量，增加預(yù)測(cè)精度

3 模型訓(xùn)練及融合

本文采用根據(jù)已有的算法進(jìn)行加權(quán)融合構(gòu)造訓(xùn)練模型，首先根據(jù)4類(lèi)構(gòu)造的特征每一類(lèi)都做出相應(yīng)的模型，根據(jù)特征的類(lèi)型分為離散型和連續(xù)型，針對(duì)連續(xù)型特征本文采用改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法，針對(duì)離散型特征本文采用XGBOOST與LIGHTGBM兩種新型改進(jìn)梯度提升樹(shù)算法分別進(jìn)行預(yù)測(cè),將兩類(lèi)算法算法的預(yù)測(cè)結(jié)果進(jìn)行BAGGING提高精度，再根據(jù)多種算法的預(yù)測(cè)結(jié)果進(jìn)行加權(quán)融合，權(quán)重系數(shù)采用線(xiàn)下訓(xùn)練集合的正確率做系數(shù)，正確率越高的模型權(quán)重值越大，最終融合多個(gè)模型最終得到預(yù)測(cè)的結(jié)果。

4 結(jié)論

經(jīng)過(guò)試驗(yàn)得到較高的準(zhǔn)確率，通過(guò)構(gòu)造的準(zhǔn)確率函數(shù)對(duì)比原有的基本時(shí)間序列處理算法，ARM以及神經(jīng)網(wǎng)絡(luò)算法決策樹(shù)類(lèi)基本的算法，采用加權(quán)融合的策略，有效的提升了預(yù)測(cè)的準(zhǔn)確度。對(duì)于未來(lái)我們可以根據(jù)更加多的數(shù)據(jù)訓(xùn)練處更加有效更加智能的預(yù)測(cè)系統(tǒng)，為智能交通提供準(zhǔn)確的道路預(yù)測(cè)信息。

［1］Rosen D A,Mammano F J,Favout R.An electronic routeguidance system for highway vehicles.Vehicular Technology,IEEE Transactions on,1970,19(1):143-152.

［2］Schvaneveldt R W.Pathfinder associative networks:Studies in knowledge organization.Ablex Publishing,1990.

［3］Figueiredo L,Jesus I,Machado J,Etal.Towards the development of intelligent transportation systems Intelligent Transportation Systems.2001,88:1206-1211.

［4］張婉琳.遺傳算法優(yōu)化支持向量機(jī)的交通流量預(yù)測(cè)[J].激光雜志,2014,35(12):116-119.

［5］韋凌翔.基于RVM和ARIMA的短時(shí)交通流量預(yù)測(cè)方法研究[D].長(zhǎng)安大學(xué),2016.

［6］許麗.基于多源數(shù)據(jù)的通勤高峰期交通流量預(yù)測(cè)方法[D].西南交通大學(xué),2017.

［7］劉寧.基于組合模型的佳通流量預(yù)測(cè)方法[D].華東理工大學(xué),2010.