基于多机器学习竞争策略的短时交通流预测

交通运输系统工程与信息 ›› 2016, Vol. 16 ›› Issue (4): 185-190.

基于多机器学习竞争策略的短时交通流预测

徐健锋*^1,2，汤涛¹，严军峰¹，刘真³

1. 南昌大学软件学院，南昌330047；2. 同济大学电子与信息工程学院，上海201804；3. 北京交通大学计算机系，北京100044

收稿日期:2015-11-20 修回日期:2016-05-25 出版日期:2016-08-25 发布日期:2016-08-26
作者简介:徐健锋(1973- )，男，江西南昌人，副教授，研究生导师，博士生.
基金资助:
国家自然科学基金/ National Natural Science Foundation of China（61273304）；上海市重点项目/ Key Projects of Shanghai City（ZY3-CCCX-3-6002）；南昌大学研究生创新项目/Innovation Project of Nanchang University（cx2015097）

Prediction of Short-term Traffic Flow Based on Ensemble Learning Mechanism

XU Jian-feng^1,2, TANG Tao¹, YAN Jun-feng¹, LIU Zhen³

1. School of Software, Nanchang University, Nanchang 330047, China; 2. School of Electronic and Information Engineering, Tongji University, Shanghai 201804, China; 3. School of Computer Science, Beijing Jiaotong University, Beijing 100044, China

Received:2015-11-20 Revised:2016-05-25 Online:2016-08-25 Published:2016-08-26

摘要/Abstract

摘要：

交通流量预测是当前交通大数据应用的重要议题之一.经典的交通流量预测方法通常只根据被预测道路自身的数据进行分析和决策，而往往较少考虑由于同一区域不同道路之间的交通流量关联性.本研究根据城市核心区交通流量数据的特点，构建同区域内多条相关道路的交通流量多维度数据模型.并且，基于该数据模型提出了一种基于多机器学习竞争策略的交通流量预报算法.该算法的主要核心思想是利用时间序列聚类的方式将多维交通流量数据进行降维，然后通过引入多种多机器学习方法进行并发训练，其训练结果通过竞争获得最优分类器群.最后设计了多最优机器学习集成预测方法进行交通流量预测.本模型通过在南昌市中心道路进行的实验显示，其预测结果优于传统单时间序列机器学习方法.

关键词: 城市交通, 交通流量, 机器学习, 集成学习, 时间序列

Abstract:

Short- term traffic flow prediction is an important issue of traffic-oriented big data application. Traditionally, traffic flow prediction is determined by the local recordings, whereas the natural relations of adjacent roads are neglected. Based on the characteristic of downtown traffic flow, a multi-dimensional data model concerning relevant roads is proposed. Meanwhile, a multi- machine learning competing strategy is developed. The essence of proposed prediction strategy is training commonly used machine learning algorithms independently with the clustered temporal information as input. By selecting high prediction performance as dominating weak classifier, the weight is further assigned to corresponding algorithm so that a strong classifier is eventually developed. As a result, the traffic flow prediction problem is converted to a weighted multi- machine learning problem. Experiments on downtown streets of Nanchang show that the superiority of proposed method as compared to traditional single time series based solutions.

Key words: urban traffic, traffic flow, machine learning, ensemble learning, time series

中图分类号:

U491.2

徐健锋，汤涛，严军峰，刘真. 基于多机器学习竞争策略的短时交通流预测[J]. 交通运输系统工程与信息, 2016, 16(4): 185-190.

XU Jian-feng, TANG Tao, YAN Jun-feng, LIU Zhen. Prediction of Short-term Traffic Flow Based on Ensemble Learning Mechanism[J]. Journal of Transportation Systems Engineering and Information Technology, 2016, 16(4): 185-190.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract19243.shtml

http://www.tseit.org.cn/CN/Y2016/V16/I4/185

参考文献

[1] 赵亚萍，张和生，周卓楠，等. 基于最小二乘支持向量机的交通流量预测模型[J]. 北京交通大学学报, 2011 (02): 114-117+136. [ZHAO Y P，ZHANG H S，ZHOU Z N，et al. Model of traffic volume forecasting based on least squares support vector machine[J]. Journal of Beijing Jiaotong University, 2011(02): 114-117+136.]

[2] 郭敏，蓝金辉，肖翔，等. 基于混沌理论对北京二环路进行短时交通流量预测的研究[J]. 交通运输系统工程与信息, 2010,10(2): 106-111. [GUO M，LAN J H， XIAO X，et al. Forecasting short- time traffic flow for Beijing 2nd ring road using chaos theory[J]. Journal of Transportation Systems Engineering and Information Technology, 2010，10(2): 106-111.]

[3] 张通，张骏，杨霄. 基于混合AGO-SVM的高速公路短时交通量预测研究[J]. 交通运输系统工程与信息, 2011,11（1）: 157-162. [ZHANG T，ZHANG J，YANG X. Short-term highway traffic flow prediction based on mixed ago-svm[J]. Journal of Transportation Systems Engineering and Information Technology, 2011,11（1）: 157-162.]

[4] 王建，邓卫，赵金宝. 基于贝叶斯网络多方法组合的短时交通流量预测[J]. 交通运输系统工程与信息, 2011,11(4): 147-153. [WANG J，DENG W，ZHAO J B. Short-term freeway traffic flow prediction based on multiple methods with bayesian network[J]. Journal of Transportation Systems Engineering and Information Technology, 2011,11(4): 147-153.]

[5] 崔艳，程跃华. 小波支持向量机在交通流量预测中的应用[J]. 计算机仿真, 2011（7）: 353-356. [CUI Y， CHENG Y H. Traffic flow prediction based wavelet analysis and support vector machine[J]. Computer Simulation, 2011（7）: 353-356.]

[6] 高述涛. CS算法优化BP神经网络的短时交通流量预测[J]. 计算机工程与应用, 2013（9）: 106-109. [GAO S T. Short time traffic flow prediction model based on neural network and cuckoo search algorithm[J]. Computer Engineering and Applications, 2013（9）: 106-109.]

[7] 王明月，王晶，齐瑞云，等. 基于改进GMDH算法的道路短时交通流量预测[J]. 计算机应用, 2015（S1）: 101-103+134. [WANG M Y，WANG J，QI R Y，et al. Short-term traffic flow forecasting on grossroads based on improved group method of data handing[J]. Computer Engineering and Applications, 2015（S1）: 101- 103 + 134.]

[8] 李巧茹，赵蓉，陈亮. 基于SVM与自适应时空数据融合的短时交通流量预测模型[J]. 北京工业大学学报, 2015（4）: 597- 602. [LI Q R，ZHAO R，CHENG L. Short-term traffic flow forecasting model based on svm and adaptive spatio-temporal data fusion[J]. Journal of Beijing University of Technology, 2015（4）: 597-602.]

[9] 周桐，杨智勇，孙棣华，等. 分车型的高速公路短时交通流量预测方法研究[J]. 计算机应用研究, 2015（7）: 1996-1999. [ZHOU T，YANG Z Y，SUN D H，et al. Research on forecast method of short- term freeway mixed traffic flow[J]. Computer Engineering and Applications, 2015（7）:1996-1999.]

[10] BIEHL M, GHIO A, SCHLEIF F M. Developments in computational intelligence and machine learning[J]. Neurocomputing, 2015（169）：185-186.

[11] LIANG C, ZHANG Y, SHI P, et al. Learning accurate very fast decision trees from uncertain data streams[J]. International Journal of Systems Science, 2014，46(16)： 3032-3050.

[12] HSU C W, LIN C J. A comparison of methods for multiclass support vector machines[J]. Neural Networks, IEEE Transactions on, 2002, 13(2): 415- 425.

[13] 徐健锋，张远健，Zhou Duanning，等. 基于粒计算的不确定性时间序列建模及其聚类[J]. 南京大学学报（自然科学版）, 2014(1): 87-94. [XU J F，ZHANG Y J， ZHOU D，et al. Uncertain multi-granulation time series modeling based on granular computing and the clustering practice[J]. Journal of Nanjing University （Natural Sciences），2014(1): 87-94.]

[1]	刘晓冰, 李奉孝, 田欣妹, 闫学东. 基于通勤模式的都市圈中心结构判别研究[J]. 交通运输系统工程与信息, 2022, 22(2): 17-28.
[2]	许奇, 陈越, 黄靖茹, 高顺祥, 张志健. 考虑出行费用的就业可达性分析[J]. 交通运输系统工程与信息, 2022, 22(2): 37-44.
[3]	刘春禹, 刘永红, 罗霞, 朱颖. 混合交通流环境下单交叉口自动驾驶车辆轨迹优化[J]. 交通运输系统工程与信息, 2022, 22(2): 154-162.
[4]	张小雨, 邵春福, 王博彬, 黄士琛. 新冠疫情影响下居民共享出行方式选择行为研究[J]. 交通运输系统工程与信息, 2022, 22(2): 186-196.
[5]	李欣, 戴章, 李怀悦, 胡笳. 基于连续近似模型的轨道交通与常规公交耦合优化设计[J]. 交通运输系统工程与信息, 2022, 22(2): 206-213.
[6]	郝妍熙, 刘戎阳, 胡华, 方勇, 刘志钢. 单向通道行人-自行车混合流建模及自组织现象研究[J]. 交通运输系统工程与信息, 2022, 22(2): 223-229.
[7]	赵传林, 贺少松, 孙淑敏, 王钰涵. 基于理性疏忽理论的交通疏散网络双层优化模型[J]. 交通运输系统工程与信息, 2022, 22(2): 239-246.
[8]	陈小红, 蓝秋雨. 不确定交通需求下交叉口信号配时区间优化模型[J]. 交通运输系统工程与信息, 2022, 22(2): 247-256.
[9]	李冰, 王正辉, 马铭炜, 杨鸿宇, 冯悦. 信号交叉口行人二次过街下右转车通行能力与延误估计模型[J]. 交通运输系统工程与信息, 2022, 22(2): 257-267.
[10]	朱彤, 秦丹, 董傲然, 杜雨萌, 魏雯. 公交驾驶员违规类型同交通事故间的关联分析[J]. 交通运输系统工程与信息, 2022, 22(2): 322-329.
[11]	毛保华, 王敏, 何天健, 陈海波. 城市公共交通服务水平研究回顾和展望[J]. 交通运输系统工程与信息, 2022, 22(1): 2-13.
[12]	王子甲, 贾慧慧, 朱亚迪, 陈峰. 基于智能卡数据的轨道与公交复合网络通勤方式选择行为研究[J]. 交通运输系统工程与信息, 2022, 22(1): 67-73.
[13]	贾斌, 朱凌, 李树凯, 刘家林. 城市轨道交通小交路计划与客流控制协同优化策略[J]. 交通运输系统工程与信息, 2022, 22(1): 124-132.
[14]	牟振华, 汪寒冰, 林本江, 陈逸群, 金程程, 陈艳艳. 基于演化博弈的违章停车动态罚金策略效用仿真评价[J]. 交通运输系统工程与信息, 2022, 22(1): 152-162.
[15]	贾富强, 李引珍, 杨信丰, 马昌喜, 代存杰. 基于演化博弈的政府鼓励条件下共享停车行为分析[J]. 交通运输系统工程与信息, 2022, 22(1): 163-170.