文献类型：期刊文章

作　　者：沈夏炯[1,2] 张俊涛[2] 韩道军[1,2]

SHEN Xia-jiong;ZHANG Jun-tao;HAN Dao-jun(Institute of Data and Knowledge Engineering,Henan Universit;School of Computer and Information Engineering,Henan Universit)

机构地区：[1]河南大学数据与知识工程研究所,河南开封475004 [2]河南大学计算机与信息工程学院,河南开封475004

出　　处：《计算机科学》

基　　金：国家自然科学基金资助项目(61272545;61402149);河南省科技攻关计划基金资助项目(142102210390);河南省教育厅科技攻关计划基金资助项目(14A520026);河南省博士后科研项目(2015036)资助

年　　份：2018

卷　　号：45

期　　号：6

起止页码：222-227

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSCD、CSCD_E2017_2018、IC、JST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：短时交通流预测是交通流建模的一个重要组成部分,在城市道路交通的管理和控制中起着重要的作用。然而,常见的时间序列模型(如ARIMA)、随机森林(RF)模型在交通流预测方面由于被构建模型产生的残差和输入变量所影响,其预测精度受到限制。针对该问题,提出了一种基于梯度提升回归树的短时交通预测模型来预测交通速度。首先,模型引入Huber损失函数作为模型残差的处理方法;其次,在输入变量中考虑预测断面受到毗邻空间因素和时间因素相关性的影响。模型在训练过程中通过不断调整弱学习器的权重来纠正模型的残差,从而提高模型预测的精度。利用某城市快速路的交通速度数据进行实验,并使用MSE和MAPE等指标将本文模型与ARIMA模型和随机森林模型进行对比,结果表明,文中所提模型的预测精度最好,从而验证了模型在短时交通流预测方面的有效性。

关 键 词：短时交通流预测 梯度提升回归树  损失函数 时空相关性  

分 类 号：TP181]