CN110782658B - 一种基于LightGBM算法的交通量预测方法 - Google Patents

一种基于LightGBM算法的交通量预测方法 Download PDF

Info

Publication number
CN110782658B
CN110782658B CN201910756054.3A CN201910756054A CN110782658B CN 110782658 B CN110782658 B CN 110782658B CN 201910756054 A CN201910756054 A CN 201910756054A CN 110782658 B CN110782658 B CN 110782658B
Authority
CN
China
Prior art keywords
data
traffic
lightgbm
prediction
splitting
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910756054.3A
Other languages
English (en)
Other versions
CN110782658A (zh
Inventor
温惠英
张东冉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201910756054.3A priority Critical patent/CN110782658B/zh
Publication of CN110782658A publication Critical patent/CN110782658A/zh
Application granted granted Critical
Publication of CN110782658B publication Critical patent/CN110782658B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Chemical & Material Sciences (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Analytical Chemistry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于LightGBM算法的交通量预测方法，包括如下步骤：步骤S1：采集交通量数据，进行数据归一化，划分为训练数据和测试数据；步骤S2：基于LightGBM算法，对训练数据进行模型训练，确定模型参数；步骤S3：输入LightGBM模型参数、测试数据，进行交通流的预测；步骤S4：对LightGBM模型预测结果进行误差评估，还原预测数据进行输出。本发明的LightGBM模型在预测精度提升的同时，预测时间大幅减少，在高速公路交通量的预测中具有更好的预测性能和泛化能力。

Description

一种基于LightGBM算法的交通量预测方法
技术领域
本发明涉及机器学习方法和交通量预测等技术领域，具体涉及一种基于LightGBM算法的交通量预测方法。
背景技术
交通量预测是交通管理领域中的核心问题之一，交通流量是反应高速公路交通状态的重要指标，短期的交通量预测是高速公路管理的重要内容。高速公路交通系统是一个多因素作用、多层次结构的复杂系统，由于高速公路交通量累计数据的不足,交通系统受多因素作用,作用机制模糊,在高速公路网络逐渐形成过程中,系统的状态、结构与边界等难以精确描述,使得高速公路交通量具有显著的动态变化随机性与不确定性。高速公路交通属于典型的灰色系统,而交通量又是高速公路运营管理与设施投资维护等决策最为重要的依据之一。通过研究交通流在时间、空间上的变化规律,可以为高速公路运营管理决策提供必要的依据。
由于交通量预测的复杂性,目前产生了诸多的预测模型,如时间序列模型、非参数回归模型、卡尔曼滤波模型、LSTM神经网络等。以上模型将机器学习理论应用到交通量预测领域，并取得了较好的成果。但在有限的计算条件下，这些模型参数较多，模型预测时间长，对预测精度有影响。
发明内容
针对上述及问题之一，本发明提供了一种基于LightGBM算法的交通量预测方法，旨在解决在交通量预测中，由于复合模型预测带来的参数寻优困难、计算资源消耗大，预测性能较差的问题。
本发明的目的至少通过如下技术方案之一实现：
一种基于LightGBM算法的交通量预测方法，包括如下步骤：
步骤S1：采集交通量数据，进行数据归一化，划分为训练数据和测试数据；
步骤S2：基于LightGBM算法，对训练数据进行模型训练，确定模型参数；
步骤S3：输入LightGBM模型参数、测试数据，进行交通流的预测；
步骤S4：对LightGBM模型预测结果进行误差评估，得到交通量数据。
进一步地，所述步骤S1具体为：
采用线圈对行驶车辆信息收集统计，并分为若干不同间隔的交通量数据；
对数据进行归一化，并按照比例划分为训练数据和测试数据，其中，所述数据归一化采用min-max标准化，公式如下：
Figure RE-RE-GDA0002334834440000021
其中，x*是归一化后的交通量数据，其中max为样本数据的最大值，min为样本数据的最小值。
进一步地，所述分为若干不同间隔的交通量数据具体指分为5分钟、15分钟，30分钟三个不同间隔的交通量数据。
进一步地，所述步骤S2具体为：
步骤S21、计算模型初始梯度值gi，式中设置为零或随机值：
Figure RE-RE-GDA0002334834440000022
其中，λ为学习率，yi为归一化后的数组，f(x)为弱分类器；
步骤S22、建立决策树，直到叶子数目限制或所有叶子不能再分割；
步骤S23、计算直方图，从直方图中获得分裂收益，选取最佳分裂特征G、分类阈值I：
Figure RE-RE-GDA0002334834440000023
Figure RE-RE-GDA0002334834440000024
其中，Gj代表最佳分裂点，Ij代表最佳分裂点的阈值，lij代表第i棵树在j 点分裂的损失值，cij代表第i棵树在j点特征比重；
步骤S24、建立根节点，根据最佳分裂特征分裂阈值，将样本切分：
s＝arg max(Gi)1≤i≤m
Node＝(s,Gs,Is)
其中，s为将第i棵树在s点分割后形成的新的决策树，Gs为决策树在s点的分裂特征，Is为决策树在s点的分裂阈值，Node为s决策树的根节点；
步骤S25、更新决策树的梯度值gi；
步骤S26、重复步骤S22～S25，直到所有的决策树都建成。
进一步地，所述步骤S3具体为：
输入LightGBM模型参数，采用时间窗步长参数对输入数据进行处理，设置时间窗为n，则将前n个时刻的交通量数据输入，生成下一时刻的交通量数据预测结果。
进一步地，所述步骤S4具体为：
采用训练好的LightGBM模型对预测数据进行交通量预测，将预测数据同实际数据进行误差计算，误差计算采用平均绝对百分误差和均方根误差两项指标：
平均绝对百分误差(MAPE)：
Figure RE-RE-GDA0002334834440000031
均方根误差(RMSE)：
Figure RE-RE-GDA0002334834440000032
式中：n是数据集个数，
Figure RE-RE-GDA0002334834440000033
代表预测数据，yi代表真实数据。
本发明提出的一种基于Xgboost算法的交通量预测方法，该方法包括如下步骤：对线圈采集的数据进行归一化处理，分为训练数据和测试数据；lightGBM 采用线性分类器采用histogram将连续的数值离散化为K个整数，同时构造宽度为K的直方图，将便历的统计量作为索引在直方图中累积，采用leaf-wise的深度限制决策树生长策略，在寻找分裂增益最大的叶子进行分裂，决策叶的直方图可由父节点和兄弟节点的直方图做差得到，相比传统遍历叶子的所有数据， LightGBM仅遍历K个直方图，提升了模型优化速度。实验表明，LightGBM模型在预测精度提升的同时，预测时间大幅减少，在高速公路交通量的预测中具有更好的预测性能和泛化能力，且对不同间隔数据样本有良好的适用性。
与现有技术相比，本发明的有益效果在于：
1、采用LightGBM模型会有效获取交通量时间序列的特征，降低预测误差；
2、LightGBM通过采用改进决策树算法和叶子生长策略，缩小了模型预测所用时间；
3、LightGBM占用内存低，支持并行处理，可处理大规模数据；
3、LightGBM模型对不同间隔的数据样本具有良好的适用性。
附图说明
图1是本发明实施例的流程示意图。
图2是四种模型均方根误差。
图3是四种模型平均绝对误差。
图4是四种模型平均绝对百分误差。
图5是四种模型预测耗费时间。
具体实施方式
下面结合实例对本发明做进一步的说明，所描述的实施例旨在便于对本发明的理解，但对其不起任何限定作用。
一种基于LightGBM算法的交通量预测方法，主要流程如图1所示，包括如下步骤：
步骤S1：交通量数据采集，并进行数据归一化预处理，分为训练数据和测试数据。
所述交通量数据来源于城市公路线圈采集的车辆信息，获得时间段内交通量信息，数据样本间隔可以根据实际预测需求制定，本发明采用的是30分钟、60 分钟两个间隔样本数据。读取获得原始交通量数据，采用min-max标准化方法对数据归一化：
Figure RE-RE-GDA0002334834440000041
其中，x*是归一化后的交通量数据，其中max为样本数据的最大值，min 为样本数据的最小值。
步骤S2中，基于LightGBM算法，对训练数据进行模型训练，确定模型参数，所述LightGBM采用按叶子分裂的方法，计算运算量小，通过控制树的深度和每个叶子节点的最小数据量，避免过拟合现象。LightGBM选择了基于 Histogram的决策树算法，可以减小储存成本和计算成本，类别特征的处理也使得模型在特定数据下有比较好的性能提升。所述步骤S2算法的具体流程为：
步骤S21、计算模型初始梯度值gi，式中设置为零或随机值：
Figure RE-RE-GDA0002334834440000042
其中，λ为学习率，yi为归一化后的数组，f(x)为弱分类器；
步骤S22、建立决策树，直到叶子数目限制或所有叶子不能再分割；
步骤S23、计算直方图，从直方图中获得分裂收益，选取最佳分裂特征G、分类阈值I：
Figure RE-RE-GDA0002334834440000043
Figure RE-RE-GDA0002334834440000044
其中，Gj代表最佳分裂点，Ij代表最佳分裂点的阈值，lij代表第i棵树在j 点分裂的损失值，cij代表第i棵树在j点特征比重；
步骤S24、建立根节点，根据最佳分裂特征分裂阈值，将样本切分：
s＝arg max(Gi)1≤i≤m
Node＝(s,Gs,Is)
其中，s为将第i棵树在s点分割后形成的新的决策树，Gs为决策树在s点的分裂特征，Is为决策树在s点的分裂阈值，Node为s决策树的根节点；
步骤S25、更新决策树的梯度值gi；
步骤S26、重复步骤S22～S25，直到所有的决策树都建成。
步骤S3、输入LightGBM模型参数、测试数据，进行交通流的预测；具体为：输入LightGBM模型参数，采用时间窗步长参数对输入数据进行处理，设置时间窗为n，则将前n个时刻的交通量数据输入，生成下一时刻的交通量数据预测结果。
步骤S4、对LightGBM模型预测结果进行误差评估，得到交通量数据，具体为：
采用训练好的LightGBM模型对预测数据进行交通量预测，将预测数据同实际数据进行误差计算，误差计算采用均绝对百分误差和均方根误差两项指标，还原预测数据进行输出。
平均绝对百分误差(MAPE)：
Figure RE-RE-GDA0002334834440000051
均方根误差(RMSE)：
Figure RE-RE-GDA0002334834440000052
式中：n是数据集个数，
Figure RE-RE-GDA0002334834440000053
代表预测数据，yi代表真实数据。
本发明的有效性可以通过实施例来进一步说明，实施例的数据不限制本发明的应用范围。
实验平台：处理器为Intel i5-6500，内存为16.0GB；系统是Windows10(64 位)；程序语言版本为Python3.6。
实验内容：
本实施例的数据来源广州市某公路的线圈数据。采取方法为每隔5分钟交通量数据。本发明的数据整理后采集间隔分别为5分钟，15分钟，30分钟，能够有效保证管理部门数据预测需求。采用离差标准化方法进行归一化，实验以前 8天数据为训练数据，后2天数据为测试数据。
对于LightGNM模型的参数，本文选取情况如下。num_leaves：每棵树叶子数量，本文选取31。learning_rate：学习率，选取为1。feature_fraction：用于控制选择总特征数的比例，用于加快训练速度，并且控制过拟合现象，本文选取数值为0.9。bagging_fraction：选择数据占总数据量的比例，取值在0到1之间，本文选择数值为0.8。bagging_freq：不重复采样的样本数据的采样频率，即多少轮迭代做一次集成，本文选择数值为5。
图2表示最优值迭代示意图。在粒子群算法中，随着迭代步数增加，可以在搜索空间快速找到近似最优解，实现搜索空间参数组合的最优解。经过粒子群算法的寻优，确定LSTM神经网络的参数组合为：隐藏层数为120，时间窗步长为 6，训练次数为160，学习率为0.015。
实验采用LightGBM、Xgboost、GBRT、RF四种模型对5min，15min，30min 三种交通量数据集进行预测。所得三种评价指标的数值。图2是四种模型均方根误差，图3是四种模型平均绝对误差，图4是四种模型平均绝对百分误差，图5 是四种模型预测耗费时间。四种模型的预测误差对比如表1所示，四种模型耗费时间如表2所示。
表1四种模型预测误差对比
Figure RE-RE-GDA0002334834440000061
表2四种模型耗费时间
5min 15min 30min
LightGBM 0.00798 0.00399 0.00299
XGB 0.09574 0.04485 0.02493
GBRT 0.01596 0.00997 0.00697
RF 0.15168 0.06183 0.04086
综上所述，本发明提出的一种基于LightGBM算法的交通量预测方法采用LightGBM模型会有效获取交通量时间序列的特征，降低预测误差。LightGBM 在误差略小于Xgboost模型的基础上，通过采用改进决策树算法和叶子生长策略，极大缩小了模型预测所用时间，并在不同数据集上有良好的适用性。
本发明采用LightGBM模型对交通量进行预测，在提高训练速度、内存占用更低的情况下，实现了模型预测精度的提高，验证了LightGBM模型在交通量预测领域的适用性。
以上是本发明的实施例，但本发明并不局限于上述特定实施方式，凡依本发明技术方案作出的改变，所产生的功能作用未超出本方法技术方案的范围时，其同样应当视作本发明所公开的内容。

Claims (5)

1.一种基于LightGBM算法的交通量预测方法，其特征在于，包括如下步骤：
步骤S1：采集交通量数据，进行数据归一化，划分为训练数据和测试数据；
步骤S2：基于LightGBM算法，对训练数据进行模型训练，确定模型参数；
步骤S3：输入LightGBM模型参数、测试数据，进行交通流的预测；
步骤S4：对LightGBM模型预测结果进行误差评估，还原预测数据进行输出；
其中，所述步骤S2具体为：
步骤S21、设置模型初始的梯度值gi，初始值为零或随机值；
步骤S22、建立决策树，直到叶子数目限制或所有叶子不能再分割；
步骤S23、计算直方图，从直方图中获得分裂收益，选取最佳分裂特征G、分类阈值I：
Figure FDA0003379083400000011
Figure FDA0003379083400000012
其中，Gj代表最佳分裂点，Ij代表最佳分裂点的阈值，lij代表第i棵树在j点分裂的损失值，cij代表第i棵树在j点特征比重；
步骤S24、建立根节点，根据最佳分裂特征分裂阈值，将样本切分：
s＝arg max(Gi) 1≤i≤m
Node＝(s，Gs，Is)
其中，s为将第i棵树在s点分割后形成的新的决策树，Gs为决策树在s点的分裂特征，Is为决策树在s点的分裂阈值，Node为s决策树的根节点；
步骤S25、以gi的更新公式更新决策树的梯度值gi：
Figure FDA0003379083400000013
其中，λ为学习率，yi为归一化后的数组，f(x)为弱分类器；
步骤S26、重复步骤S22～S25，直到所有的决策树都建成。
2.根据权利要求1所述的基于LightGBM算法的交通量预测方法，其特征在于，所述步骤S1具体为：
采用线圈对行驶车辆信息收集统计，并分为若干不同间隔的交通量数据；
对数据进行归一化，并按照比例划分为训练数据和测试数据，其中，所述数据归一化采用min-max标准化，公式如下：
Figure FDA0003379083400000021
其中，x*是归一化后的交通量数据，其中max为样本数据的最大值，min为样本数据的最小值。
3.根据权利要求2所述的基于LightGBM算法的交通量预测方法，其特征在于，所述分为若干不同间隔的交通量数据具体指分为5分钟、15分钟，30分钟三个不同间隔的交通量数据。
4.根据权利要求1所述的基于LightGBM算法的交通量预测方法，其特征在于，所述步骤S3具体为：
输入LightGBM模型参数，采用时间窗步长参数对输入数据进行处理，设置时间窗为n，则将前n个时刻的交通量数据输入，生成下一时刻的交通量数据预测结果。
5.根据权利要求1所述的基于LightGBM算法的交通量预测方法，其特征在于，所述步骤S4具体为：
采用训练好的LightGBM模型对预测数据进行交通量预测，将预测数据同实际数据进行误差计算，误差计算采用平均绝对百分误差和均方根误差两项指标，还原预测数据进行输出：
平均绝对百分误差：
Figure FDA0003379083400000022
均方根误差：
Figure FDA0003379083400000023
式中：n是数据集个数，
Figure FDA0003379083400000024
代表预测数据，yi代表真实数据。
CN201910756054.3A 2019-08-16 2019-08-16 一种基于LightGBM算法的交通量预测方法 Active CN110782658B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910756054.3A CN110782658B (zh) 2019-08-16 2019-08-16 一种基于LightGBM算法的交通量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910756054.3A CN110782658B (zh) 2019-08-16 2019-08-16 一种基于LightGBM算法的交通量预测方法

Publications (2)

Publication Number Publication Date
CN110782658A CN110782658A (zh) 2020-02-11
CN110782658B true CN110782658B (zh) 2022-03-29

Family

ID=69384014

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910756054.3A Active CN110782658B (zh) 2019-08-16 2019-08-16 一种基于LightGBM算法的交通量预测方法

Country Status (1)

Country Link
CN (1) CN110782658B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111414717A (zh) * 2020-03-02 2020-07-14 浙江大学 一种基于XGBoost-LightGBM的机组功率预测方法
CN111476422A (zh) * 2020-04-10 2020-07-31 北京石油化工学院 一种基于机器学习框架下LightGBM的建筑冷负荷预测方法
CN111984872B (zh) * 2020-09-09 2021-03-16 北京中科研究院 基于迭代优化策略的多模态信息社交媒体流行度预测方法
CN112884215A (zh) * 2021-02-02 2021-06-01 国网甘肃省电力公司信息通信公司 一种基于梯度增强树人口预测模型的参数优化方法
CN113240509B (zh) * 2021-05-18 2022-04-22 重庆邮电大学 一种基于多源数据联邦学习的贷款风险评估方法
CN113344254A (zh) * 2021-05-20 2021-09-03 山西省交通新技术发展有限公司 一种基于LSTM-LightGBM-KNN的高速公路服务区车流预测方法
CN113536662B (zh) * 2021-06-16 2022-06-21 三峡大学 基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方法
CN113702728A (zh) * 2021-07-12 2021-11-26 广东工业大学 一种基于组合采样和LightGBM的变压器故障诊断方法及系统
CN115619052B (zh) * 2022-12-20 2023-03-17 安徽农业大学 一种城市交通流量预测方法
CN116701918B (zh) * 2023-08-02 2023-10-20 成都星云智联科技有限公司 一种基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389980A (zh) * 2015-11-09 2016-03-09 上海交通大学 基于长短时记忆递归神经网络的短时交通流预测方法
CN106295874A (zh) * 2016-08-08 2017-01-04 上海交通大学 基于深信度网络的交通流参数预测方法
CN109658695A (zh) * 2019-01-02 2019-04-19 华南理工大学 一种多因素的短时交通流预测方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101725629B1 (ko) * 2015-04-27 2017-04-12 성균관대학교산학협력단 오차 크기를 고려하는 적합도 함수를 이용한 유전 프로그래밍 기반의 교통량 예측 시스템 및 방법
CN105469611B (zh) * 2015-12-24 2017-12-01 大连理工大学 一种短时交通流预测模型方法
US20180180423A1 (en) * 2016-12-28 2018-06-28 Richard G. J. Baverstock Systems and methods for individualized route management with a macro managed traffic infrastructure
CN108665714A (zh) * 2017-09-28 2018-10-16 孟卫平 交通信号泛弦控制方法及其系统
CN108229724B (zh) * 2017-12-06 2020-12-22 华南理工大学 一种基于时空信息融合的短时交通数据流预测方法
CN108900346B (zh) * 2018-07-06 2021-04-06 西安电子科技大学 基于lstm网络的无线网络流量预测方法
CN108877223A (zh) * 2018-07-13 2018-11-23 南京理工大学 一种基于时空相关性的短时交通流预测方法
CN109920249B (zh) * 2019-03-12 2021-09-10 长沙理工大学 一种基于多模型融合的高速匝道行驶时间预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389980A (zh) * 2015-11-09 2016-03-09 上海交通大学 基于长短时记忆递归神经网络的短时交通流预测方法
CN106295874A (zh) * 2016-08-08 2017-01-04 上海交通大学 基于深信度网络的交通流参数预测方法
CN109658695A (zh) * 2019-01-02 2019-04-19 华南理工大学 一种多因素的短时交通流预测方法

Also Published As

Publication number Publication date
CN110782658A (zh) 2020-02-11

Similar Documents

Publication Publication Date Title
CN110782658B (zh) 一种基于LightGBM算法的交通量预测方法
CN108986470B (zh) 粒子群算法优化lstm神经网络的行程时间预测方法
CN109243172B (zh) 基于遗传算法优化lstm神经网络的交通流预测方法
CN110555989B (zh) 一种基于Xgboost算法的交通量预测方法
CN111105332B (zh) 一种基于人工神经网络的高速公路智能预养护方法及系统
CN113282122B (zh) 一种商用建筑能耗预测优化方法及系统
CN111738477A (zh) 基于深层特征组合的电网新能源消纳能力预测方法
CN112765894B (zh) 一种基于k-lstm的铝电解槽状态预测方法
CN115130741A (zh) 基于多模型融合的多因素电力需求中短期预测方法
CN113554466A (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN112330052A (zh) 一种配变负荷预测方法
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN115310536A (zh) 基于神经网络和gcn深度学习模型的水库水位预测预警方法
CN114580762A (zh) 一种基于XGBoost的水文预报误差校正方法
CN115600729A (zh) 一种考虑多属性网格电网负荷预测方法
Yuan et al. Research on K nearest neighbor non-parametric regression algorithm based on KD-tree and clustering analysis
Shang et al. Research on intelligent pest prediction of based on improved artificial neural network
CN113743453A (zh) 一种基于随机森林的人口数量预测方法
CN117439053A (zh) 一种Stacking集成模型电量预测方法、装置、存储介质
CN116956160A (zh) 一种基于自适应树种算法的数据分类预测方法
CN111028086A (zh) 基于聚类与lstm网络的增强指数跟踪方法
CN112819085B (zh) 基于机器学习的模型优化方法、装置及存储介质
Kumratova et al. Hybrid approach of fractal and linguistic forecasting of winter wheat yields in Southern Rússia
Sun et al. Ultra-short-term wind power interval prediction based on fluctuating process partitioning and quantile regression forest
Ma The Research of Stock Predictive Model based on the Combination of CART and DBSCAN

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant