双机制Stacking集成模型在短时交通流量预测中的应用

摘要：

交通流量预测对于智能交通管理决策具有重要意义,为克服传统单一模型预测精度低、稳定性不足,同时为解决Stacking集成模型对基学习器输出信息利用率不高的问题,提出了一种双机制Stacking集成模型.双机制包括内机制和外机制,内机制通过在元学习器中引入注意力机制来调整网络中的特征信息,外机制通过在基学习器中融入动态权重系数来调整基学习器的输出信息.通过内外结合的双机制实现对基学习器输出信息动态变动规律的挖掘和提取并增强对基学习器输出信息的利用率,从而提升模型的预测精度和稳定性.选取I5NB高速公路上的76898条数据为实证研究对象,进行了基于随机森林、GBDT(gradient boosting decision tree)和Xgboost(extreme gradient boosting)单一模型、传统Stacking集成模型及双机制Stacking集成模型的预测对比分析.实证结果证明双机制Stacking集成模型预测精度最高,验证了该模型在短时交通流量预测中的有效性.

关键词：双机制Stacking集成模型、交通流量预测、注意力机制、动态权重系数、分布特征

所属期刊栏目：21

分类号：U491.1(交通工程与公路运输技术管理)

资助基金：辽宁省社会科学规划基金;中央高校基本科研业务费专项;大连海事大学教学改革项目

在线出版日期：2021-06-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：4648-4655