占有率：占有率反映的是交通流在時(shí)空維度的占有情況，包括空間占有率和時(shí)間占有率，能夠刻畫交通流的時(shí)空特性。空間占有率的定義是：在指定的時(shí)間間隔內(nèi)，某一路段中車輛長(zhǎng)度的和與該路段長(zhǎng)度的比值。對(duì)空間占有率進(jìn)行測(cè)定較為困難，所以一般采用時(shí)間占有率。
在指定的時(shí)間間隔內(nèi)，使用某一交通傳感器在該時(shí)間段內(nèi)的總的工作時(shí)間除以該傳感器被交通實(shí)體所占用的時(shí)間，就可以得到時(shí)間占有率。時(shí)間占有率低時(shí)，說(shuō)明車流量較小或車速較高，道路暢通；時(shí)間占有率高時(shí)，說(shuō)明車流量較大或車速較低，道路擁堵。

交通流系統(tǒng)是一個(gè)不斷變化的復(fù)雜整體，其內(nèi)在相關(guān)性和周期性表明了交通流中是有著某種可以被度量的規(guī)律的，交通流的各組成部分是相互聯(lián)系的，而其繁雜的時(shí)空特性和不確定性又揭示了交通流的隨機(jī)性和復(fù)雜性，要從如此復(fù)雜的交通流信息中找出這種規(guī)律，找出各種參數(shù)之間的內(nèi)在聯(lián)系，絕對(duì)不是一件容易的事。

基于統(tǒng)計(jì)理論的方法：
ARIMA：自回歸積分滑動(dòng)平均預(yù)測(cè)方法，是一種針對(duì)時(shí)間序列進(jìn)行分析的方法，其目的在于根據(jù)觀測(cè)到的時(shí)間序列數(shù)據(jù)，建立適當(dāng)?shù)哪Ｐ?#xff0c;對(duì)事物隨時(shí)間變化的規(guī)律進(jìn)行描述，對(duì)事物未來(lái)的狀態(tài)進(jìn)行預(yù)測(cè)。ARIMA模型進(jìn)行預(yù)測(cè)的基本思想如下：預(yù)測(cè)基于樣本觀測(cè)值的線性函數(shù)；目標(biāo)是尋求一個(gè)最簡(jiǎn)的模型，實(shí)現(xiàn)對(duì)觀測(cè)數(shù)據(jù)的準(zhǔn)確描述。
局部線性回歸：局部線性回歸通過(guò)賦予預(yù)測(cè)點(diǎn)附近的點(diǎn)以一定的權(quán)值，一般是通過(guò)高斯核函數(shù)等計(jì)算權(quán)值，然后再進(jìn)行普通的線性回歸，得到預(yù)測(cè)值和觀測(cè)到的 交通流數(shù)據(jù)之間的線性關(guān)系，以此進(jìn)行交通流預(yù)測(cè)工作。該種方法對(duì)數(shù)據(jù)的要求較高，且無(wú)法處理非線性的短時(shí)交通流。
卡爾曼濾波：通過(guò)觀測(cè)和狀態(tài)方程組成狀態(tài)空間模型，可以實(shí)現(xiàn)對(duì)平穩(wěn)和非平穩(wěn)隨機(jī)過(guò)程的估計(jì)，以此來(lái)對(duì)交通流進(jìn)行描述。但是其本質(zhì)上仍然是線性的模型，無(wú)法有效應(yīng)對(duì)短時(shí)交通流預(yù)測(cè)的隨機(jī)性和復(fù)雜性。
總結(jié):基于統(tǒng)計(jì)理論的預(yù)測(cè)方法都是線性的模型，雖然建模簡(jiǎn)單，計(jì)算容易，但是在預(yù)測(cè)的時(shí)間間隔縮短后，交通流的不確定性和非線性特征不斷增強(qiáng)，由于線性模型不能對(duì)這種情況進(jìn)行有效的處理，模型的預(yù)測(cè)精度就變得較差。
基于機(jī)器學(xué)習(xí)的算法：
1.決策樹算法
決策樹就是一種對(duì)樣本空間遞歸地進(jìn)行切分的分類器。決策樹是一顆有向樹，其中除根節(jié)點(diǎn)以外的每個(gè)節(jié)點(diǎn)的入度都為1，出度為0的節(jié)點(diǎn)被稱為葉子節(jié)點(diǎn)，即為決策樹中的決策節(jié)點(diǎn)。在決策樹生成過(guò)程中，每一次節(jié)點(diǎn)切分都會(huì)根據(jù)不純度最小的原則將樣本空間切分成兩個(gè)樣本子空間，決策樹的生成過(guò)程中就是確定最優(yōu)切分的過(guò)程，切分的過(guò)程不斷進(jìn)行，直到不純度的減少低于一個(gè)事先預(yù)定的閾值，切分結(jié)束。在用于分類問(wèn)題時(shí)，每個(gè)葉子節(jié)點(diǎn)都對(duì)應(yīng)著一個(gè)類別，當(dāng)新的樣本進(jìn)入時(shí)，只需要從根節(jié)點(diǎn)開始向下搜索，直到匹配到一個(gè)葉子節(jié)點(diǎn)，就可以完成對(duì)該樣本的分類；當(dāng)用于回歸時(shí)，也是類似的原理，只是類別變成了數(shù)值。使用決策樹進(jìn)行分類和回歸的過(guò)程就跟現(xiàn)實(shí)生活中人類做決策的過(guò)程極其相似。
2.集成學(xué)習(xí)算法
Bagging是著名的對(duì)樣本進(jìn)行處理的方法之一，通過(guò)創(chuàng)建改進(jìn)的組合分類器來(lái)提升準(zhǔn)確度，將多個(gè)學(xué)習(xí)分類器的輸出融合稱為一個(gè)最終的預(yù)測(cè)值。
其主要流程：給定一個(gè)訓(xùn)練集S，其中有N個(gè)樣本，設(shè)定迭代次數(shù)T，在迭代次數(shù)范圍內(nèi)，采用有放回的抽取方法不斷的從訓(xùn)練集S抽出n個(gè)樣本，得到T個(gè)子樣本集St，基于每一個(gè)St訓(xùn)練一個(gè)分類器，最后訓(xùn)練得到T個(gè)分類器，將這T個(gè)分類器組合起來(lái)以提升分類器的性能。

美國(guó)加利福尼亞州的交通情況：


從上面的圖可以明顯地看出交通流量的變化是具有一定規(guī)律的，特別是工作日期間的交通流量，明顯呈現(xiàn)周期性的變化，周一到周五每天的交通流量分布都較為類似，且每天都有明顯的早高峰晚高峰。相比而言，周末的交通流量則偏少，且變化沒(méi)有特別明顯的規(guī)律，與工作日的交通情況有所不同。
工作日期間的平均速度也具有一定規(guī)律，但是相對(duì)于交通流量來(lái)說(shuō)沒(méi)有那么明顯，其波動(dòng)也較交通流量更為劇烈。在早晚高峰期間速度有明顯下降，而周末的速度比較平穩(wěn)，維持在較高的速度區(qū)間。

數(shù)據(jù)清洗：由于道路上的交通傳感器眾多，且面臨著各種復(fù)雜的交通情況，所以在進(jìn)行數(shù)據(jù)采集的過(guò)程中，會(huì)產(chǎn)生一些問(wèn)題數(shù)據(jù)，比如異常值、數(shù)據(jù)缺失等等，如果不對(duì)這些數(shù)據(jù)加以處理就直接使用，將會(huì)對(duì)后期的分析預(yù)測(cè)工作造成極大的不便。所以需要進(jìn)行數(shù)據(jù)清洗的工作，檢測(cè)和消除數(shù)據(jù)中的錯(cuò)誤數(shù)據(jù)、重復(fù)數(shù)據(jù)、無(wú)關(guān)數(shù)據(jù)等，并對(duì)缺失值和異常值進(jìn)行妥善的處理。
缺失數(shù)據(jù)的處理：刪除記錄和數(shù)據(jù)插補(bǔ)。其中刪除記錄的方法由于通過(guò)減少歷史數(shù)據(jù)來(lái)?yè)Q取數(shù)據(jù)的完備，會(huì)使得隱藏在數(shù)據(jù)中的大量信息被丟棄，可能會(huì)對(duì)分析結(jié)果的準(zhǔn)確性造成嚴(yán)重的影響。相比而言，數(shù)據(jù)插補(bǔ)的方法更適合交通數(shù)據(jù)流缺失的處理。常用的插補(bǔ)方法有：均值插補(bǔ)、中位數(shù)插補(bǔ)、眾數(shù)插補(bǔ)、插值法等。
數(shù)據(jù)去噪：
1.滑動(dòng)平均去噪：根據(jù)時(shí)間序列的分布的記憶性，采用算術(shù)平均的方法，去除時(shí)間序列中的隨機(jī)波動(dòng)，使序列變得平滑。


2.小波去噪：小波是一種特殊的波形，其能量集中在某一點(diǎn)附近，同時(shí)具有衰減性和波動(dòng)性，震蕩形式正負(fù)相間。
隨機(jī)森林算法：
隨機(jī)森林跟顯示中的森林一樣，有一系列的決策樹組合而成，其結(jié)合了Bagging集成學(xué)習(xí)理論和隨機(jī)子空間的思想。每個(gè)分類器的構(gòu)造都需要從原始樣本數(shù)據(jù)集中隨機(jī)抽取出一部分樣本作為樣本子空間，然后從樣本子空間中隨機(jī)抽取出特征子空間，在這個(gè)特征子空間中建立決策樹，最后綜合所有決策樹的輸出得到最終結(jié)果。
支持向量機(jī)在短時(shí)交通流預(yù)測(cè)中，處理有限樣本、非線性和高維問(wèn)題時(shí)有著得天獨(dú)厚的優(yōu)勢(shì)。

數(shù)據(jù)采集層，數(shù)據(jù)采集層主要實(shí)現(xiàn)對(duì)路網(wǎng)交通數(shù)據(jù)的采集工作，實(shí)時(shí)的交通數(shù)
據(jù)主要來(lái)自于環(huán)形感應(yīng)線圈、收費(fèi)卡口、車載 GPS 等等，考慮到交通信息來(lái)源的
復(fù)雜性，在本層需要進(jìn)行數(shù)據(jù)融合的工作。同時(shí)，在采集層也需要對(duì)數(shù)據(jù)進(jìn)行初步
的預(yù)處理，控制數(shù)據(jù)質(zhì)量。
數(shù)據(jù)存儲(chǔ)層，本層的數(shù)據(jù)從數(shù)據(jù)采集層進(jìn)行抽取，將其持久化存儲(chǔ)于關(guān)系型數(shù)
據(jù)庫(kù) Oracle 中。本層存儲(chǔ)的的數(shù)據(jù)主要分為兩類，一類是交通流數(shù)據(jù)，一類是天
氣數(shù)據(jù)，交通流數(shù)據(jù)又分為歷史交通流數(shù)據(jù)和實(shí)時(shí)交通流數(shù)據(jù)。歷史交通流數(shù)據(jù)用
于交通流預(yù)測(cè)模型的訓(xùn)練，實(shí)時(shí)交通流數(shù)據(jù)用于對(duì)預(yù)測(cè)效果的進(jìn)行相應(yīng)的評(píng)價(jià)，幫助用戶對(duì)算法的效果進(jìn)行判斷，從而實(shí)現(xiàn)對(duì)算法進(jìn)行有針對(duì)性的選擇。本層為計(jì)算
服務(wù)層提供數(shù)據(jù)支持，計(jì)算服務(wù)層所需要的數(shù)據(jù)都來(lái)自于本層。
計(jì)算服務(wù)層，計(jì)算服務(wù)層是本系統(tǒng)的核心功能層，本系統(tǒng)的目的即為用戶提供
精準(zhǔn)的交通流預(yù)測(cè)。本層提供交通流預(yù)處理功能以及交通流預(yù)測(cè)算法庫(kù)，其中預(yù)處
理功能主要是系統(tǒng)自動(dòng)實(shí)現(xiàn)，一般不需要用戶自行選擇，但是交通流選擇算法提供
了 LOO-RF 算法和普通的 RF 算法供用戶選擇，用戶可以根據(jù)自己的需求，進(jìn)行交
通流數(shù)據(jù)特征選取工作。交通流預(yù)測(cè)提供多種預(yù)測(cè)算法供用戶選擇，主要包括
CGA-SVR、普通的 SVR、BPNN、ARIMA 等交通流預(yù)測(cè)模型，用戶可以根據(jù)不同
的場(chǎng)景和自己的需求，調(diào)用相應(yīng)的算法進(jìn)行交通流預(yù)測(cè)工作。
結(jié)果展示層，通過(guò)計(jì)算服務(wù)層的計(jì)算，可以得到預(yù)測(cè)結(jié)果，并采用可視化方法
進(jìn)行展示。計(jì)算服務(wù)層和結(jié)果展示層之間采用 RESTful 架構(gòu)，可以實(shí)現(xiàn)模塊之間
松耦合的連接。通過(guò)結(jié)果展示層，可以將預(yù)測(cè)結(jié)果以圖表的形式展示給用戶，實(shí)現(xiàn)
用戶和數(shù)據(jù)之間的交互。

呼呼，再度理解下什么叫結(jié)構(gòu)化數(shù)據(jù)，半結(jié)構(gòu)化數(shù)據(jù)，非結(jié)構(gòu)化數(shù)據(jù)：
結(jié)構(gòu)化數(shù)據(jù)就是數(shù)據(jù)庫(kù)里存的那種行列形式的數(shù)據(jù)，半結(jié)構(gòu)化數(shù)據(jù)指的是XML，JSON這種結(jié)構(gòu)的數(shù)據(jù)，非結(jié)構(gòu)化數(shù)據(jù)就是一些文本，視頻，圖像這些。

總結(jié)

以上是生活随笔為你收集整理的论文篇-----基于机器学习的交通流预测技术的研究与应用的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。