基于机器学习的交通状态判别与预测方法研究

随着社会经济的高速发展，出行需求的持续增加，道路供需矛盾日益突出，致使 交通拥堵路段的数量和里程逐年增加。实时准确的交通状态判别和预测，对于交通拥 堵的智能管控具有重要的作用。随着ITS的逐步实施，各类交通检测设备提供了不同 精度、广度和深度的大量交通数据。然而，如何有效分析交通数据却成为一个巨大的 挑战。传统数据分析方法往往具有特定的模型结构和过多的假设条件，而不能满足分 析各类数据的需求。因此，有必要研究和探索用于交通状态判别与预测的新方法，以 充分挖掘交通数据所蕴含的丰富交通信息，进一步提升交通状态判别与预测的准确性 和可靠性。 本研究旨在改善交通状态判别与预测的效果，在分析各类交通数据的基础上，采 用先进机器学习方法，并有机结合特征选择、群体智慧搜索和时间序列分析等理论方 法，对交通状态判别与预测方法展开深入研究。主要研究内容及成果如下: (1)基于PSO-SVR优化FCM的交通流缺失数据修复方法 在分析交通流数据时空相关性的基础上，提出了基于PSO-SVR优化FCM的缺失 数据修复方法，以模糊C均值(FCM)为基础算法，采用粒子群优化算法(PSO)和 支持向量回归(SVR)的