摘要
随着城市化进程的加快，现有的汽车总量正不断趋近道路空间的饱和，导致交通供需的平衡难以维持，对交通环境造成负面影响，交通拥堵等问题日益严峻。因此在智慧城市的背景下，挖掘交通数据规律，应用大数据技术对交通进行控制和管理成为大势所趋。其中，如何准确的检测交通事件的发生并对道路交通状态进行识别和预测从而为交管部门提供有效信息更是交通领域研究的重点。 现有的研究大都聚焦于单一模型或机械的组合模型，即通过改进单一模型或调整权重等方式将模型进行组合去解决交通领域存在的问题，传统的模型融合方式使其性能受限。基于此，与机械组合不同，本文引入集成学习理论，以最大化模型性能为目的，有选择性的对交通事件检测、交通状态识别和短时预测的单一模型进行更优的集成融合。本文的主要研究内容如下： （1）针对现有单一交通事件检测模型无法同时保证检测率和误警率的问题，提出一种基于XGBoost集成算法的交通事件检测方法，探究事件检测性能随基学习器的boostingtree数目的变动情况并不断调整，再与基于MLF、Decisiontree、RF和SVM构建的交通事件检测模型进行对比分析。 （2）提出一种LSTM和选择性集成相结合的交通状态识别方法。构建LSTM交通状态识别器去学习训练预处理后的交通数据，并引入选择性集成思想，对构建的一系列基学习器进行差异性排序。根据输入的训练样本数据的不同和基学习器的可信度自动判别和选择最优的基学习器组合并对待测样本数据进行识别，输出交通状态等级，与bagging和boosting集成学习框架对比分析。 （3）提出一种以stacking集成学习框架为核心的交通状态间接预测方法，即预测短时交通流参数。基于SVR、RF、GRU、BP、GBDT和XGBoost构建单一的交通流参数预测基学习器，将其输出结果输入到LSTM交通流参数预测基学习器中学习训练，输出预测结果，以MAE、RMSE和R2为评价指标对比分析各单一模型和集成模型的预测表现。 实例分析表明，相较于传统的单一检测模型，本文提出的基于集成学习的交通事件检测方法在取得满意检测率的同时也能保证误警率在可接受范围内波动，检测稳定性增强；相较于静态融合的模型，本文提出的以选择性集成思想为核心的交通状态识别方法在各项评价指标上表现更佳；相较于单一预测模型，本文提出的基于stacking集成学习的交通状态间接预测方法对于交通流参数的预测更加准确。
NETL