劉振輝

0 引言

智能交通系統(tǒng)(Intelligent Transportation System)簡稱ITS[1]，早在上個世紀(jì)就已經(jīng)提出這個概念，它是將多學(xué)科多技術(shù)領(lǐng)域進(jìn)行融合的系統(tǒng)?，F(xiàn)代智能交通也是基于ITS的開發(fā)，如今對于交通擁堵的措施依然是采用觀察到擁堵，再進(jìn)行交通交管，所造成的問題就是響應(yīng)時間長，采取措施有延遲，并不能準(zhǔn)確的進(jìn)行有效的控制，先通過歷史數(shù)據(jù)可以準(zhǔn)確的預(yù)測出接下來時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，可以實(shí)現(xiàn)對癥下藥，對正確的上游路段或者下游路段采取措施。隨著計算能力的提高，人工智能的飛速發(fā)展，今年來對于交通流量的預(yù)測也成為交通部門的重點(diǎn)研究問題。

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

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)，幾個月里有特殊節(jié)假日前后對交通流量影響較大，根據(jù)國家的法定假日時間去掉節(jié)假日以及前一天和后一天的數(shù)據(jù)，以及針對離群值過大的數(shù)據(jù)和峰值偏差過大的數(shù)據(jù)也采用舍棄防止影響總體預(yù)測效果，針對缺失值采用取平均值補(bǔ)全策略。

2 特征提取

本文對交通數(shù)據(jù)提取特征主要分為四方面：

i、道路基本信息，包括道路的長度寬度，以及道路的等級

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

iii、為短時的交通流量信息，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、基本時間特征，針對時間序列構(gòu)造滑動窗口構(gòu)造時間信息特征，滑動窗口變相增加樣本數(shù)據(jù)量，增加預(yù)測精度

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類構(gòu)造的特征每一類都做出相應(yīng)的模型，根據(jù)特征的類型分為離散型和連續(xù)型，針對連續(xù)型特征本文采用改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法，針對離散型特征本文采用XGBOOST與LIGHTGBM兩種新型改進(jìn)梯度提升樹算法分別進(jìn)行預(yù)測,將兩類算法算法的預(yù)測結(jié)果進(jìn)行BAGGING提高精度，再根據(jù)多種算法的預(yù)測結(jié)果進(jìn)行加權(quán)融合，權(quán)重系數(shù)采用線下訓(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，最終融合多個模型最終得到預(yù)測的結(jié)果。

4 結(jié)論

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

［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[J].激光雜志,2014,35(12):116-119.

［5］韋凌翔.基于RVM和ARIMA的短時交通流量預(yù)測方法研究[D].長安大學(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)測方法[D].華東理工大學(xué),2010.