为了有效解决交通拥堵等问题,智能交通系统应运而生。交通流预测为智能交通系统提供了支持和保障,如何获得准确、实时的交通流预测结果是科研人员亟待解决的问题。因此,本文主要研究内容是建立模型预测高速公路交通流量,通过对不同模型预测结果对比分析,获得最佳预测模型,从而用于交通流的预测。主要工作如下:第一,对交通流数据进行分析,挖掘交通流数据特性,通过数据预处理进行特征构建、提取和选择,有效弥补了特征单一的问题,接着建立基于极端梯度提升（e Xtreme Gradient Boosting,XGBoost）的预测模型,用网格搜索（grid Search CV）法对模型进行优化,并通过实例验证分析,论证了模型的可靠性。第二,综合考虑模型训练时间和预测精度的因素,提出利用果蝇算法（Fruit Fly Optimization Algorithm,FOA）优化轻量级梯度提升机（Light Gradient Boosting Machine,Light GBM）,建立基于FOALight GBM的高速公路交通流预测模型,分别对工作日和节假日的交通流数据进行预测分析。第三,为了进一步提高预测模型的准确度,通过对交通流时空特性的分析,提出利用卷积神经网络（Convolutional Neural Networks,CNN）提取交通流的时空特性,再结合FOA优化Light GBM模型,建立基于CNN-FOA-Light GBM的高速公路交通流预测模型,通过实例验证分析模型的有效性。最后研究结果表明,通过利用本文提出的模型对交通流量进行实时、准确的预测,可以为智能交通系统提供有效的支持与保障。
基本信息
| 题目 | 高速公路交通流预测模型研究 |
| 文献类型 | 硕士论文 |
| 作者 | 曹家伟 |
| 作者单位 | 浙江科技学院 |
| 导师 | 岑岗,岑跃峰 |
| 文献来源 | 浙江科技学院 |
| 发表年份 | 2020 |
| 学科分类 | 工程科技Ⅱ辑 |
| 专业分类 | 公路与水路运输 |
| 分类号 | U491.112 |
| 关键词 | 交通流预测,时空数据分析 |
| 总页数： | 80 |
| 文件大小： | 3811K |
论文目录
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与组织结构 |
| 第2章 交通流及其相关概念 |
| 2.1 交通流及其预测概念 |
| 2.2 交通流三参数 |
| 2.3 交通流基本特征 |
| 2.4 本章小结 |
| 第3章 基于XGBoost的高速公路交通流预测 |
| 3.1 实验数据分析 |
| 3.1.1 工作日与节假日交通流分析 |
| 3.1.2 环境因素关联性分析 |
| 3.2 数据预处理 |
| 3.3 特征工程 |
| 3.3.1 特征构建 |
| 3.3.2 特征提取 |
| 3.3.3 特征选择 |
| 3.4 基于XGBoost的高速公路交通流预测模型 |
| 3.4.1 XGBoost理论基础 |
| 3.4.2 XGBoost模型构建 |
| 3.4.3 XGBoost模型参数 |
| 3.4.4 XGBoost参数优化 |
| 3.4.5 XGBoost预测步骤 |
| 3.5 模型评价标准 |
| 3.6 模型实例验证与分析 |
| 3.7 本章小结 |
| 第4章 基于FOA-Light GBM的高速公路交通流预测 |
| 4.1 Light GBM理论基础 |
| 4.2 基于FOA-Light GBM的高速公路交通流预测模型 |
| 4.2.1 特征选取 |
| 4.2.2 果蝇优化算法 |
| 4.2.3 Light GBM参数优化 |
| 4.2.4 FOA-Light GBM预测步骤 |
| 4.3 模型实例验证分析 |
| 4.4 本章小结 |
| 第5章 基于CNN-FOA-Light GBM的高速公路交通流预测 |
| 5.1 交通流时空相关性分析 |
| 5.1.1 相关性分析理论 |
| 5.1.2 时间相关性分析 |
| 5.1.3 空间相关性分析 |
| 5.2 基于CNN-FOA-Light GBM的高速公路交通流预测模型 |
| 5.2.1 时空特征矩阵构建 |
| 5.2.2 CNN模型 |
| 5.2.3 CNN提取时空特征 |
| 5.2.4 CNN-FOA-Light GBM预测步骤 |
| 5.3 模型实例验证分析 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间参加的科研项目和成果 |
参考文献
| [1] 智能网联环境下复杂异质交通流稳定性解析[J]. 交通运输系统工程与信息 2020(06) |
| [2] 智能网联测试示范区多层级复杂交通流分配模式[J]. 中国汽车 2021(03) |
| [3] 智能网联车环境下异质交通流稳定性及安全性分析[J]. 北京交通大学学报 2020(01) |
| [4] 新冠肺炎流行期间高速公路交通流恢复期预测研究[J]. 中国公路 2020(08) |
| [5] 基于文献计量的动态交通流研究[J]. 重庆交通大学学报(自然科学版) 2020(08) |
| [6] 研究降雨事件对交通流时空特性的影响[J]. 交通运输系统工程与信息 2020(04) |
| [7] 一日内与逐日的双动态网络交通流演化[J]. 武汉理工大学学报(交通科学与工程版) 2020(04) |
| [8] 智能网联车环境下异质交通流稳定性及安全性分析[J]. 电子制作 2020(21) |
| [9] 基于现实与虚拟交互的交通流再现实验方法[J]. 同济大学学报(自然科学版) 2018(12) |
| [10] 基于数据融合的交通流检测设施布点优化评价指标及应用研究[J]. 中国公共安全 2016(19) |
| [11] 基于物联网的智能交通流探测技术研究[J]. 科技创新与应用 2016(34) |
| [12] 弹性需求下的网络交通流逐日动态演化[J]. 物理学报 2017(06) |
| [13] 动态占有率与交通流三参数之间的关系[J]. 住宅与房地产 2017(09) |
| [14] 突变理论在交通流分析中的应用[J]. 自动化与仪器仪表 2017(07) |
| [15] 基于虚拟变量回归分析无人驾驶汽车对交通流的影响[J]. 文山学院学报 2017(03) |
| [16] 张量分解方法视角下研究交通流网络的时空特征[J]. 时代农机 2017(04) |
| [17] 考虑延迟效应的交通流宏观流体力学模型[J]. 广西科学 2017(04) |
| [18] 基于交通指数云图的宏观交通流分析方法综述[J]. 上海理工大学学报 2017(04) |
| [19] 基于交通波模型的事故对连续交通流影响机理研究[J]. 建筑技术开发 2017(12) |
| [20] 考虑车与车互联通讯技术的交通流跟驰模型[J]. 物理学报 2016(01) |
| [21] 一种基于RFID技术的交通流检测方案[J]. 智能城市 2016(05) |
| [22] 船舶交通流建模与仿真研究进展[J]. 水利水运工程学报 2014(06) |
| [23] 路边停车对路段交通流延误影响研究[J]. 交通科技 2015(01) |
| [24] 基于云模型的非机动车交通流速度仿真[J]. 公路交通科技 2015(11) |
| [25] 节假日高速公路免费通行条件下交通流组织研究[J]. 经济与社会发展研究 2014(06) |
| [26] 复杂交通流条件下自适应信号控制系统协调优化方法的研究[J]. 公路 2020(08) |
| [27] 基于常微分方程的城市密集交通流疏导模型[J]. 计算机仿真 2020(08) |
| [28] 港内交通流影响因素与优化建议[J]. 中国水运(下半月) 2019(06) |
| [29] 交通流网络的时空特征解析——基于张量分解方法视角[J]. 地理科学 2016(11) |
| [30] 基于元胞自动机的高速公路隧道群交通流建模与仿真[J]. 筑路机械与施工机械化 2016(11) |
相似文献
| [1]基于二型模糊集合理论的交通流长时预测方法研究[D]. 江超阳.北京交通大学2016 |
| [2]基于车牌照识别的交通流数据处理平台建立及统计分析[D]. 刘泉.北京交通大学2009 |
| [3]城市交通流预测关键技术研究[D]. 李青.西南科技大学2015 |
| [4]城市快速路交通流故障数据修复方法研究[D]. 邹晓芳.北京交通大学2014 |
| [5]大数据环境下自适应多模型交通流预测方法研究[D]. 葛炜霖.北京工业大学2019 |
| [6]基于大数据环境下的船舶交通流特征统计分析系统研究[D]. 许鹏.武汉理工大学2014 |
| [7]基于时空相关的短时交通流预测研究[D]. 秦家鹏.南京信息工程大学2020 |
| [8]基于船舶交通流特征的通航宽度计算及其应用[D]. 姜大鹏.大连海事大学2020 |
| [9]国内典型城市快速路交通流数据库开发与应用研究[D]. 吴胜春.复旦大学2011 |
| [10]船舶交通流特征统计分析及预测模型研究[D]. 刘钊.武汉理工大学2013 |
