论文部分内容阅读
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。