论文总字数：23333字

摘 要

随着人们生活水平的不断提高，机动车的持有数量也跟着水涨船高，道路建设的速度跟不上大家对交通出行的质量与需求，所以交通流的智能预测得到越来越多的关注。

在大数据分析和机器学习的背景下，基于GBDT的交通流预测模型逐渐成为主流，但是简单的GBDT优化算法容易陷入过拟合，对含有缺失属性的样本处理效果不佳，数据处理周期较大，没有并行处理能力。在此基础上，首先对交通流数据进行分析处理，将丢失数据与错误数据进行订正，然后进行GBDT模型的训练以及测试。最后用粒子群优化算法，进行GBDT模型的优化。

本文结果表明，与未进行数据预处理的模型相比，进行了预处理的模型的预测精度提升了28.18％，而且数据更加规范化，不同模型的性能比较更加方便。在此基础上，用了粒子群优化的GBDT模型，预测精度提升了将近5％，消除了GBDT容易陷入局部最优的缺点。

关键词：交通流预测 数据预处理 GBDT 粒子群优化算法

Traffic flow prediction model based on improved GBDT

Abstract

As people living standard unceasing enhancement, hold the number of motor vehicles also follow up, the speed of road construction cannot keep up with you about the quality of the transportation and the demand, so the intelligent traffic flow prediction get more and more attention.

Under the background of big data analysis and machine learning, a traffic flow prediction model based on GBDT gradually become mainstream, but simple GBDT optimization algorithm is easy to fall into a fitting, with missing attributes sample processing, the data processing cycle is larger, there is no parallel processing capabilities. On this basis, the traffic flow data is analyzed and processed, and the lost data and error data are revised, and then the GBDT model is trained and tested. Finally, particle swarm optimization algorithm is used to optimize the GBDT model.

In this paper, the results show that compared with the model without data preprocessing, the pretreatment of the prediction precision improved by 28.18%, and the data, a performance comparison of different model is more convenient. On this basis, the GBDT model of particle swarm optimization is used to improve the prediction accuracy by nearly 5 ％, eliminating the shortcoming that GBDT is prone to get into the local optimum.

Key Words: traffic flow predictioni;data preprocessing;GBDT;particle swarm optimization algorithm.

目 录

摘要 I

Abstract II

第一章 绪论 1

1.1研究背景与意义 1

1.2 交通流预测的国内外研究现状 2

1.2.1 基于线性理论的交通流预测模型 2

1.2.2 基于非线性理论的交通流预测模型 2

1.2.3基于智能理论的交通流预测模型 3

1.2.4 基于组合理论的交通流预测模型 5

1.2.5 参考国内外研究方法对我的帮助 5

1.3 本文主要研究内容和重点工作 6

1.4 本文组织结构 6

第二章 交通流数据分析及预处理 7

2.1数据分析 7

2.1.1 基本参量 7

2.1.2 基本特性 8

2.2数据预处理 9

2.2.1 简单预处理 9

2.2.2 复杂预处理 10

2.2.3 归一化 11

第三章 GBDT与粒子群优化算法 12

3.1 GBDT 12

3.1.1 GBDT基本原理 12

3.1.2 GBDT的算法流程 12

3.1.3基于GBDT的交通流预测模型的程序实现 15

3.2 粒子群优化算法 15

3.2.1 选择粒子群优化算法的原因： 15

3.2.2 基本介绍 16

3.2.3 粒子群优化算法的原理 16

3.2.4粒子群优化算法步骤及程序实现： 19

第四章 基于改进GBDT交通流预测模型的设计与实现 21

4.1 数据处理的具体实现 21

4.2 预测结果的分析与比较 26

第五章 总结与展望 33

5.1 总结 33

5.2 展望 33

参考文献 34

致谢 37

第一章 绪论

1.1研究背景与意义

选题背景

人们的物质需求也在不断的提升，从机动车的日益增长上面就能看出人们对于交通出行需求的不断提高。据中国交管部门的不完全统计，机动车在中国的数量截止到2017年年底已经达到3.10亿辆，汽车数量占了70左右，机动车驾驶人达3.85亿人，其中汽车驾驶人3.42亿人。路况拥堵问题以及环境污染问题也越来越严重。这些问题的出现，增加了各种各样的成本，最直观的影响就是经济损失。根据中科院在可持续发展领域的研究结果，在北上广深等全国的15所大城市每天发生的交通处理费用高达10亿多人民币。这些问题的解决，不仅仅需要道路交通的建设，还需要只能交通预测系统的配合，使其更好地进行车辆诱导以及道路规划。交通需求的飞速发展，使得交通基础设施的供给速度失衡，城市道路的交通需求总是超过交通设施的供给。单纯的靠增加道路容量解决车辆出行的问题不太现实，所以提高现代化交通管理系统的智能型就显得尤为重要了，合理的交通管理方法就成为了解决目前城市交通问题的重要手段，通过车辆诱导以及路线规划可以很大程度上提高交通系统的运行效率。

选题意义

请支付后下载全文，论文总字数：23333字