基于机器学习方法的城市对外客运交通需求预测研究

《基于机器学习方法的城市对外客运交通需求预测研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士学位论文基于机器学习方法的城市对外客运交通需求预测研究URBANEXTERNALPASSENGERTRANSPORTDEMANDPREDICTIONMETHODBASEDONMACHINELEARNING刘俊涛哈尔滨工业大学2015年6月国内图书分类号：U491学校代码：10213国际图书分类号：密级：公开工程硕士专业学位论文基于机器学习方法的城市对外客运交通需求预测研究硕士研究生：刘俊涛导师：章锡俏申请学位：工程硕士专业学位学科：交通运输工程所在单位：交通科学与工程学院答辩日期：2015年6月授予学位单位：哈尔滨工业大学Classified

2、Index:U491U.D.C:DissertationfortheMasterDegreeinEngineeringURBANEXTERNALPASSENGERTRANSPORTDEMANDPREDICTIONMETHODBASEDONMACHINELEARNINGCandidate：LiuJuntaoSupervisor：SE.ZhangXiqiaoAcademicDegreeAppliedfor：MasterofEngineeringSpeciality：TrafficandTransportationEngineeringAffiliat

3、ion：SchoolofTransportationScience&EngineeringDateofDefence：June,2015Degree-Conferring-Institution：HarbinInstituteofTechnology哈尔滨工业大学硕士学位论文摘要城市对外客运交通需求预测是城市开展城市综合交通系统规划与设计的基础工作，合理准确的交通需求预测可为城市的对外客运枢纽系统选址、布局、方案比选等工作提供数据支撑，实现既满足城市居民出行需求，又节约项目建设资金的目标。由于对外客运需求预测研究中相关影响因素之间存在日趋增加的相

4、关性关系以及统计数据中的异常值等原因，传统的时间惯性与相关因素原理预测模型表现欠佳。近几年由于社会统计工作的逐渐完善，可供选择研究统计数据不断积累增多，为学者使用新型方法进行研究提供了相关基础。本文采用机器学习中降噪自编码、随机森林两种方法进行交通需求预测，以缓解浅层机器学习方法在交通需求预测问题中的不足。首先引入深度学习理论中降噪自编码方法：降噪自编码方法通过数据的逐层自编码、解码过程获得良好的交通需求预测网络初始化参数，使得网络初始总体损失值较优，缓解了浅层需求预测方法的局部极值与梯度弥散问题。此外人工主动随机噪声，迫使网络在输入包含噪声的情

5、况下重构原始输入，进而训练所得交通需求预测网络鲁棒性、泛化能力更强，不易过拟合。另外考虑对外客运出行需求的相关影响因素间的关联性和时间惯性，将时间序列数据研究中的窗口滑移与机器学习中的随机森林方法相结合，提出时间窗-随机森林组合方法的对外客运总体需求预测方法。随机森林方法在训练过程中共进行两重随机过程，第一重随机为在宏观交通相关数据总体训练样本中随机抽取部分样本训练决策树模型，未被抽取数据用以评价所得交通需求决策树预测模型泛化性能，多次随机抽样获得多颗决策树构成交通需求预测森林模型；第二重随机为在单棵决策树节点分裂过程中随机选取部分属性。两重随机

6、过程使得模型过度拟合特定样本的概率大大减少，预测模型的泛化性增强。同时以北京市宏观经济影响因素数据集为基础进行实例分析，模型精度良好，验证了方法的可行性和有效性，可运用于对外客运需求预测工作。本研究侧重基于机器学习方法的对外客运需求预测，分别从方法由来、数学原理与方法实现等方面进行了详细阐述，可对省份、城市等范围区域进行交通运输发展规划研究工作提供参考与借鉴。对机器学习理论与交通问题的结合有着积极的作用。关键词：对外客运需求；机器学习；降噪自编码；随机森林-I-哈尔滨工业大学工学硕士学位论文AbstractUrbanexternalpasseng

7、ertransportdemandpredictionisthebasisoftheplanninganddesignofthepassengertransportationsystem.Thereasonableandaccuratetrafficdemandforecastcanprovidedatasupportforthelocation,distributionandprojectapproachment,whichcanhelpreachingthetargetofnotonlymeetingtheresidents’trafficn

8、eeds,butalsonooverinvestments.Theeffectoftraditionalforecastmodelbas