短時交通流預測模型及預測方法的研究.pdf

1、本文對短時交通流預測模型及預測方法進行了大量研究，提出了多鏈路的交通流預測模型，研究了神經(jīng)網(wǎng)絡及高斯過程回歸在交通流預測中的應用，最后利用圖Lasso進行的稀疏圖模型建立對多鏈路交通流預測進行了進一步的優(yōu)化。
　　 短時交通流預測一直是智能交通系統(tǒng)研究中的一個熱門話題。傳統(tǒng)的預測模型采用的都是單鏈路預測模型，即在對一條鏈路上的未來時刻交通流進行預測時，使用的僅是該鏈路上的歷史數(shù)據(jù)，而沒有考慮到相鄰鏈路上的交通流量提供的相關(guān)信息。

2、事實上，在整個交通系統(tǒng)中，各條鏈路之間的交通流量是存在相關(guān)性的，特別是相鄰路口，這種相關(guān)性體現(xiàn)的更為明顯。在本文中，我們提出了多鏈路交通流預測模型，對相鄰路口的交通流量進行了相關(guān)性考慮。通過大量實驗，我們驗證了多鏈路交通流預測模型的優(yōu)越性。
　　 神經(jīng)網(wǎng)絡在機器學習中的應用備受熟知，其中，BP(Back-Propogation)神經(jīng)網(wǎng)絡更是被廣泛用于如視覺場景分析、語音識別等多種具體的機器學習領(lǐng)域。由于具有出色的處理復雜問題的能

3、力和高度的自學習自組織以及自適應能力，神經(jīng)網(wǎng)絡在機器學習應用中一直表現(xiàn)良好。在本文中，我們以神經(jīng)網(wǎng)絡預測方法為基礎，對單鏈路交通流預測模型和多鏈路交通流預測模型進行了大量實驗上的比較，并且結(jié)合了多任務學習和單任務學習，共構(gòu)建出了四組預測模型。通過對實驗結(jié)果進行整體和局部上的比較和分析，我們對神經(jīng)網(wǎng)絡在交通流預測中的應用有了一個更深入更全面的認識。
　　 高斯過程回歸是基于貝葉斯理論的經(jīng)典回歸算法，由于具有實現(xiàn)容易、參數(shù)較少以及模

4、型解釋性強等特點，在機器學習領(lǐng)域具有廣泛的研究。高斯過程是廣義上的高斯概率分布，這里的隨機過程指的是函數(shù)，不同于高斯概率分布中的隨機變量是標量或者向量(多元概率分布情況下)。高斯過程回歸中的相關(guān)推理均是在函數(shù)空間進行的，算法最終給出的是測試集上目標輸出的后驗分布。這個后驗分布也是服從高斯分布的，高斯過程回歸算法的輸出為分布的均值和協(xié)方差兩項。本文通過對高斯過程回歸進行理論上學習和研究，并結(jié)合實際的實驗，對其在交通流預測中的應用進行了分析

5、，并指出了其在機器學習應用中的巨大潛力。
　　 圖lasso是建立在lasso回歸上的稀疏圖模型建構(gòu)的一種算法。它基于的數(shù)據(jù)模型是假設服從多元高斯概率分布的，算法的核心是通過使用L1正則來使得逆協(xié)方差矩陣盡可能的稀疏，進而依據(jù)矩陣中元素是否為0來進行稀疏圖模型的建立。協(xié)方差矩陣的每一行每一列都對應稀疏圖模型中的一個結(jié)點，若矩陣中某行列元素為0，則認為對應的兩個變量條件獨立，進而在圖模型中，對應的兩個結(jié)點之間無連線。本文對圖las