基于SVR-LightGBM模型的高速公路拥堵预测方法研究

由于传统的高速公路拥堵预测方法大多构建的是单一的预测模型,模型的预测精度不高,并且大多以交通流的时间特征为基础,缺少对交通流空间特征的深度挖掘,往往导致预测结果不理想。本文提出了一种基于SVR与LightGBM组合的高速公路拥堵预测模型,由于高速公路上中下游路段具有时空相关性,因此首先运用SVR模型实现上下游路段对中游目标路段流量、速度和占有率的预测,进而将预测值与目标路段真实的拥堵阈值输入到LightGBM模型进行训练来预测拥堵。为验证组合模型的有效性,选用平均绝对误差(MAE)、均方根误差(RMSE)和均等系数(EC)三项评价指标对不同种预测模型进行对比结果分析。实验表明所提出的SVR-LightGBM拥堵预测模型能显著减少预测误差,预测精度更高,是一种高效快捷的拥堵预测模型。

融合CNN-BiLSTM-Attention的集成学习价格预测

价格预测对于大宗农产品市场的稳定具有重要意义,但是大宗农产品价格与多种因素有着复杂的相关关系.针对当前价格预测中对数据完整性依赖性强与单一模型难以全面利用多种数据特征等问题,提出了一种将基于注意力机制的卷积双向长短期记忆神经网络(CNN-BiLSTM-Attention)、支持向量机回归(SVR)与LightGBM组合的增强式集成学习方法,并分别在包含历史交易、天气、汇率、油价等多种特征数据的数据集上进行了实验.实验以小麦和棉花价格预测为目标任务,使用互信息法进行特征选择,选择误差较低的CNN-BiLSTM-Attention模型作为基模型,与机器学习模型通过线性回归进行增强式集成学习.实验结果表明该集成学习方法在小麦及棉花数据集上预测结果的均方根误差(RMSE)值分别为12.812, 74.365,较之3个基模型分别降低11.00%, 0.94%、4.44%,1.99%与13.03%, 4.39%,能够有效降低价格预测的误差.