基于高速交通流数据的交通流预测智能算法研究

论文总字数：24003字

% !TEX TS-program = xelatex

% !TEX encoding = UTF-8 Unicode

% !Mode:: "TeX:UTF-8"

\documentclass[bachelor,nocolorlinks, printoneside]{seuthesis}

\usepackage{CJK,CJKnumb}

\usepackage{amsmath}

\usepackage{amsfonts}

\usepackage{bm}

\usepackage{algorithm}

\usepackage{algorithmicx}

\usepackage{algpseudocode}

\usepackage{subfigure}

\usepackage{multirow}

\floatname{algorithm}{算法}

\renewcommand{\algorithmicrequire}{\textbf{输入:}}

\renewcommand{\algorithmicensure}{\textbf{输出:}}

\begin{document}

\title{基于高速交通流数据的交通流预测智能算法研究}{}{Intelligent Algorithm Research of Traffic Flow Prediction Based on Highway Traffic Flow Data}{subtitle}

\maketitle

\begin{abstract}{短期交通流预测，贝叶斯优化，加权欧式距离，KNN方法，智能交通}

短期交通预测是指对未来5-30min的交通状况进行预测，这将为交管部门的实际工作带来很多便利，目前已由许多预测算法被提出，本文提出一种基于模式识别方法的改进KNN 模型，采用加权欧式距离进行相似度量，并利用hyperopt

和贝叶斯优化的方法对权重进行自动调参的预测算法。对预测结果差异的显著性分析表明本文提出的调参方法对于提升预测表现是显著有效的。此外，对原始KNN采用同样方法进行调参的结果进一步证实了这种方法的有效性。通过对数据流量和预测结果的整体分析，本文的算法对于交通流量大的高速公路数据表现更优。此模型为非参数模型，且对于一种交通流的数据只需进行一次调参，因此该模型的准确性和复杂程度决定了该模型可以被应用于实际高速公路的交通管理。

\end{abstract}

\begin{englishabstract}{Short-term traffic flow forecasting, Bayesian optimization, Weighted Euclidean Distance, KNN Method,Intelligent Transportation}

Short-term traffic forecasting refers to forecasting traffic conditions in the next 5-30 minutes, which will bring a lot of convenience to the actual work of the traffic control department. At present, many algorithms have been proposed. This paper proposes an improved KNN model based on pattern recognition method. , using a weighted Euclidean distance for similar metrics, and using hyperopt and Bayesian optimization method for the automatic adjustment of the weight of the prediction algorithm. The significant analysis of the difference in prediction results shows that the proposed parameter adjustment method is significantly effective for improving the prediction performance. In addition, the results of the same method for the original KNN are further confirmed by the effectiveness of this method. Through the overall analysis of data traffic and prediction results, the algorithm of this paper performs better for highway data with large traffic flow. This model is a non-parametric model, and only one adjustment is needed for the data of a traffic flow. Therefore, the accuracy and complexity of the model determine that the model can be applied to traffic management of actual highways.

\end{englishabstract}

\tableofcontents

\begin{Main} % 开始正文

\chapter{引言}

在全球范围内，交通拥堵对于当前交通系统都是很严峻的问题。由于道路的不断扩张和道路限制的不断增多，构建智能交通系统（ITS）以方便进行交通管理和控制显得尤为重要。交通管理的主要目标是为交管部门和驾驶人员提供准确、可靠和安全的交通信息，而在过去的几十年中，交通管制一直受限于只针对当前交通情况做出被动响应，而不能提供实时预测和主动响应。\\

\indent 自20世纪80年代初以来，短期交通流预测成为智能交通系统（ITS）研究 中的热点话题和实际应用中的重要组成部分。短期交通预测既可以为驾驶员提供道路信息，同时也可以为交通管理部门优化交通信号提供依据。随着数据分析技术的进步和计算能力的提高，研究人员可以获得足够的数据进行高分辨率且合理准确的短期交通预测。\\

\indent 本文主要提出一种基于交通模式和特征识别的短期交通预测算法，针对时间间隔为15min的交通流量数据进行模式匹配与预测。对于某个需要预测的时间点，提取其前面相邻时间的一段数据流，通过在历史数据中匹配识别出K个最近邻数据流，并对这些数据流中与所要预测的数据时间点对应的数据采取指数排序方法进行加权整合，从而作为最终的预测结果。本文中数据流之间的匹配相似度通过加权欧式距离进行度量，并且采用了贝叶斯优化参数的方法对权重进行优化，同时分别与采用hyperopt方法进行参数优化和未进行参数优化的结果进行对比。考虑最近邻数据流存在极端值造成的误差影响，本文采取了缩尾方法进行处理，并与未进行缩尾处理的效果进行对比。\\

\indent 本文所提出的方法是基于KNN进行改进与调参的方法，该方法是一个非参数的预测方法，是“利用数据来解释数据的方法”~\cite{B1}~。相较于参数方法，此方法对数据本身的拟合会更加合理，但是需要较多的数据支持。\\

\indent 本文其余部分的结构安排如下：在第二章中对现有研究的文献进行回顾整理，第三章中对本文主要方法进行介绍，第四章中进行数据实验并对结果进行分析，第五章对全文进行总结归纳,最后部分为致谢与参考文献。

\newpage

剩余内容已隐藏，请支付后下载全文，论文总字数：24003字