刘振辉

0 引言

智能交通系统(Intelligent Transportation System)简称ITS[1]，早在上个世纪就已经提出这个概念，它是将多学科多技术领域进行融合的系统。现代智能交通也是基于ITS的开发，如今对于交通拥堵的措施依然是采用观察到拥堵，再进行交通交管，所造成的问题就是响应时间长，采取措施有延迟，并不能准确的进行有效的控制，先通过历史数据可以准确的预测出接下来时刻的多道路的交通流量变化，可以做到提前预防，并且多多路段的预测，可以实现对症下药，对正确的上游路段或者下游路段采取措施。随着计算能力的提高，人工智能的飞速发展，今年来对于交通流量的预测也成为交通部门的重点研究问题。

短时交通流量预测，近几年中对应推出的算法也有很多种[2-7]，但由于数据封锁，计算能力的限制，对交通流量预测能力也限制在一定的程度。本文针对由官方提供的实时的132条道路的3,4,5,6四个月每个时刻的实时交通数据，进行仿真实验最终实验提高对交通流量的准确预测。

1 数据预处理

根据真实交通流量数据，我们需要预先做数据预处理去掉噪声数据，几个月里有特殊节假日前后对交通流量影响较大，根据国家的法定假日时间去掉节假日以及前一天和后一天的数据，以及针对离群值过大的数据和峰值偏差过大的数据也采用舍弃防止影响总体预测效果，针对缺失值采用取平均值补全策略。

2 特征提取

本文对交通数据提取特征主要分为四方面：

i、道路基本信息，包括道路的长度宽度，以及道路的等级

ii、根据历史数据k天前的交通流量数据构造时间数据特征

iii、为短时的交通流量信息，与每条道路相连的其他道路的交通流量信息构造特征

iv、基本时间特征，针对时间序列构造滑动窗口构造时间信息特征，滑动窗口变相增加样本数据量，增加预测精度

3 模型训练及融合

本文采用根据已有的算法进行加权融合构造训练模型，首先根据4类构造的特征每一类都做出相应的模型，根据特征的类型分为离散型和连续型，针对连续型特征本文采用改进的神经网络算法，针对离散型特征本文采用XGBOOST与LIGHTGBM两种新型改进梯度提升树算法分别进行预测,将两类算法算法的预测结果进行BAGGING提高精度，再根据多种算法的预测结果进行加权融合，权重系数采用线下训练集合的正确率做系数，正确率越高的模型权重值越大，最终融合多个模型最终得到预测的结果。

4 结论

经过试验得到较高的准确率，通过构造的准确率函数对比原有的基本时间序列处理算法，ARM以及神经网络算法决策树类基本的算法，采用加权融合的策略，有效的提升了预测的准确度。对于未来我们可以根据更加多的数据训练处更加有效更加智能的预测系统，为智能交通提供准确的道路预测信息。

［1］Rosen D A,Mammano F J,Favout R.An electronic routeguidance system for highway vehicles.Vehicular Technology,IEEE Transactions on,1970,19(1):143-152.

［2］Schvaneveldt R W.Pathfinder associative networks:Studies in knowledge organization.Ablex Publishing,1990.

［3］Figueiredo L,Jesus I,Machado J,Etal.Towards the development of intelligent transportation systems Intelligent Transportation Systems.2001,88:1206-1211.

［4］张婉琳.遗传算法优化支持向量机的交通流量预测[J].激光杂志,2014,35(12):116-119.

［5］韦凌翔.基于RVM和ARIMA的短时交通流量预测方法研究[D].长安大学,2016.

［6］许丽.基于多源数据的通勤高峰期交通流量预测方法[D].西南交通大学,2017.

［7］刘宁.基于组合模型的佳通流量预测方法[D].华东理工大学,2010.