[发明专利]一种基于机器学习的综合模型的交通行为预测方法

说明书

技术领域

本发明属于交通行为预测领域，具体涉及一种基于机器学习的综合模型的交通行为预测方法。

背景技术

单一机器学习算法对行人交通行为的挖掘和预测有了不错的实例，但是由于交通行为本身是由于多变量决定的，针对不同类型的交通行为很难用一种算法对其进行预测和挖掘，同时很多算法不能进行实时的挖掘和预测。

发明内容

针对现有技术中存在的上述技术问题，本发明提出了一种基于机器学习的综合模型的交通行为预测方法，设计合理，克服了现有技术的不足，具有良好的效果。

为了实现上述目的，本发明采用如下技术方案：

一种基于机器学习的综合模型的交通行为预测方法，采用基于机器学习的综合模型用户的交通行为进行预测，具体包括如下步骤：

步骤1：数据输入；

步骤2：对数据类型进行分类；

不同种类的交通数据包括交通用户类型数据、时段性数据、历史数据以及外部输入数据在内的数据；

步骤3：对不同类型的数据进行机器学习；

根据交通理论和行人交通行为，对不同类型的交通数据，使用不同的机器学习算法对交通行为进行挖掘，并根据历史记录和交通理论进行预测；

步骤4：根据交通历史记录和当前交通状况进行智能加权综合；

利用不同种类的机器学习算法对处理不同类型交通数据的能力的不同，选择最优的算法处理对应的交通数据，有经过可调整的加权整合层对不同算法处理后的结果进行加权整合，以达到最优化的结果；

步骤5：输出预测结果。

优选地，在步骤3中，不同的机器学习算法包括K-means聚类算法(K-means clustering algorithm，K均值聚类算法)、ANN(Artificial Neural Network，人工神经网络)算法、SVM(Support Vector Machine，支持向量机)算法；其中，K-means聚类算法用于对交通用户类型数据进行处理，人工神经网络算法用于对时段性数据进行处理，支持向量机算法用于对历史数据处理。

本方法将不同种类的机器学习算法智能融合，其中对趋势判别类型的数据进行处理的临近算法是机器学习中的无监督学习聚类算法，对时段性数据处理的人工神经元网络是深度学习算法，处理历史数据的SVM支持向量机算法是监督学习中的分类算法，这些算法是机器学习中的不同种类的算法，应用场景和算法结构都有很大差异；同时，这些算法所对应处理的数据本身在交通数据中时空分布，结构和作用都是有很大的不同的；本方法的智能融合就是利用不同种类的机器学习算法对处理不同类型交通数据的能力的不同，选择最优的算法处理对应的交通数据，又经过可调整的加权整合层对不同算法处理后的结果进行加权整合，达到最优化的效果。

本发明所带来的有益技术效果：

1、基于交通实际对数据进行分类，同时又创新性的将交通用户类型数据、时段性数据、历史数据以及外部输入数据四类数据利用最合理的机器学习算法分别独立处理，保持了数据的相互独立性，从而最大限度的保留了交通信息，为预测提供最好的信息服务；

2、本发明将几种机器学习算法综合在一起对交通行为进行挖掘和预测，不仅仅是几种算法的叠加，是基于交通理论基础上的智能融合平台，可以对交通行为进行实时的预测；又进行了智能加权，可以使不同数据的机器学习结果整合后达到最大化。

附图说明

图1为本发明方法融合成5层的结构平台示意图。

具体实施方式

下面结合附图以及具体实施方式对本发明作进一步详细说明：

如图1所示，本专利方法一共有5层结构组成，第一层是数据输入层，第二层是数据类型分类层，第三层是对应不同类型的数据的机器学习算法层，第四层是根据交通历史记录和当前交通状况而进行的智能加权综合层，第五层是输出层。

第二层划分了不同种类的交通数据，包括趋势判别类型的数据、时段性数据、历史数据等三大种类；划分的依据是对大量交通数据处理后发现以上三种是影响交通的最主要的数据，这种划分办法也是包含数据最广泛的方式。

第三层是根据交通理论和行人交通行为，对不同类型的交通数据，使用不同的机器学习算法对交通行为进行挖掘和并根据历史记录和交通理论进行预测其中趋势判别类型的数据由K-means聚类算法进行处理，时段性数据由ANN人工神经元网络进行处理，历史数据由SVM支持向量机算法处理；