基于演化模式挖掘和代价敏感学习的交通拥堵指数预测

摘要

交通拥堵指数预测是智能交通系统的核心能力之一.然而,现有方法大多采用回归模型,在长期交通拥堵指数预测任务上表现不佳.针对此问题,本文提出了一种融合演化模式挖掘和代价敏感学习的交通拥堵指数预测方法.首先,采用序列模式挖掘算法从交通拥堵指数历史数据中发现长期演化模式.同时,采用代价敏感学习技术对交通拥堵指数数据与多种时空特征之间的关联进行学习.最后,通过Stacking框架对演化模式挖掘和代价敏感学习的能力进行融合.基于杭州市真实交通拥堵指数数据集进行的实验表明,本文提出的方法对未来5天交通拥堵指数的预测误差比现有方法降低了10％以上.