基于多模型融合的交通流量預測

劉振輝

0 引言

智能交通系統(Intelligent Transportation System)簡稱ITS[1]，早在上個世紀就已經提出這個概念，它是將多學科多技術領域進行融合的系統?，F代智能交通也是基于ITS的開發，如今對于交通擁堵的措施依然是采用觀察到擁堵，再進行交通交管，所造成的問題就是響應時間長，采取措施有延遲，并不能準確的進行有效的控制，先通過歷史數據可以準確的預測出接下來時刻的多道路的交通流量變化，可以做到提前預防，并且多多路段的預測，可以實現對癥下藥，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，人工智能的飛速發展，今年來對于交通流量的預測也成為交通部門的重點研究問題。

短時交通流量預測，近幾年中對應推出的算法也有很多種[2-7]，但由于數據封鎖，計算能力的限制，對交通流量預測能力也限制在一定的程度。本文針對由官方提供的實時的132條道路的3,4,5,6四個月每個時刻的實時交通數據，進行仿真實驗最終實驗提高對交通流量的準確預測。

1 數據預處理

根據真實交通流量數據，我們需要預先做數據預處理去掉噪聲數據，幾個月里有特殊節假日前后對交通流量影響較大，根據國家的法定假日時間去掉節假日以及前一天和后一天的數據，以及針對離群值過大的數據和峰值偏差過大的數據也采用舍棄防止影響總體預測效果，針對缺失值采用取平均值補全策略。

2 特征提取

本文對交通數據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、根據歷史數據k天前的交通流量數據構造時間數據特征

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造特征

iv、基本時間特征，針對時間序列構造滑動窗口構造時間信息特征，滑動窗口變相增加樣本數據量，增加預測精度

3 模型訓練及融合

本文采用根據已有的算法進行加權融合構造訓練模型，首先根據4類構造的特征每一類都做出相應的模型，根據特征的類型分為離散型和連續型，針對連續型特征本文采用改進的神經網絡算法，針對離散型特征本文采用XGBOOST與LIGHTGBM兩種新型改進梯度提升樹算法分別進行預測,將兩類算法算法的預測結果進行BAGGING提高精度，再根據多種算法的預測結果進行加權融合，權重系數采用線下訓練集合的正確率做系數，正確率越高的模型權重值越大，最終融合多個模型最終得到預測的結果。

4 結論

經過試驗得到較高的準確率，通過構造的準確率函數對比原有的基本時間序列處理算法，ARM以及神經網絡算法決策樹類基本的算法，采用加權融合的策略，有效的提升了預測的準確度。對于未來我們可以根據更加多的數據訓練處更加有效更加智能的預測系統，為智能交通提供準確的道路預測信息。

［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.遺傳算法優化支持向量機的交通流量預測[J].激光雜志,2014,35(12):116-119.

［5］韋凌翔.基于RVM和ARIMA的短時交通流量預測方法研究[D].長安大學,2016.

［6］許麗.基于多源數據的通勤高峰期交通流量預測方法[D].西南交通大學,2017.

［7］劉寧.基于組合模型的佳通流量預測方法[D].華東理工大學,2010.