基于小波分析和集成学习的短时交通流预测

摘要：

针对短时交通流具有随机性和不确定性等特征,提出一种基于小波分析和集成学习的组合预测模型.首先,对原始交通流数据的平均行程时间序列应用Mallat算法进行多尺度小波分解,且对各尺度上分量进行单支重构;其次,对于各重构的单支序列分别使用极端梯度提升模型(extreme gradient boosting,XGBoost)进行预测得到多个子模型,同时利用贝叶斯优化算法进行子模型的最佳参数选择;最后,将所有子模型的预测值代数求和,得到总体交通流的预测结果.采用美国纽约布鲁克林地区某路段实际交通流数据进行预测,并对预测结果与其他模型进行比较分析.研究结果表明:小波分析和XGBoost组合模型预测效果优于传统线性模型及单一 XGBoost模型,从而更好地为交通管理提供指导意见.

关键词：智能交通、短时交通流预测、小波分析、集成学习、平均行程时间、贝叶斯优化

所属期刊栏目：22

分类号：U491.14(交通工程与公路运输技术管理)

资助基金：国家自然科学基金71501016

在线出版日期：2022-04-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：383-392