北邮大水比写的，明显就是造假
随机森林与多层感知器相结合的高速公路交通流预测模型
随机森林与多层组合模型感知器
A.随机森林算法
and it is an extension of Bagging algorithm
在回归预测问题中， 随机森林算法使用简单的平均方法或加权平均法
在本文中，我们使用随机森林算法和多层感知器算法构建组合模型
因此，数据预处理是必要的。原始数据包括收费数据、天气数据、假日数据。和其他数据源
根据历史气象资料记录，天气是分为四种情况：晴天、雪、雨和霾分别为0、1、2和3。
非周末和周末假日和非周末以0表示，假日和周末由表1表示。
2003车型与车辆换算系数《公路工程技术标准》的版本
组合预测方法：
得到交通流的最优权重。用误差平方来求解相应的权，最小值作为目标函数。
and the optimal weight of the traffic flow is obtained by solving the corresponding weight with the square of the error
and the minimum as the objective function.
本文的实验数据包括收费数据。从2014到2015，历史气候资料和国家法定节假日它选择从2014年1月到
2014年11月作为培训数据，十二月数据2014作为试验数据。
训练样本包括时间、车道、汽车七个属性。模型，汽车类型，天气，假日和周末。
After the data transformation,
the training samples include seven attributes of time, lane, car
model, car type, weather, holiday and weekend.
组合模型
Using the training data to train the random forest model and
the multi-layer perceptron model respectively, and the error
square sum is the minimum objective function to get the
optimal weight.
随机森林模型可处理高维
数据和不需要做特征选择。它有
较强的泛化能力和快速训练的优势
速度。但是，由于它不能给出连续输出，
当进行回归预测时，特定噪声
建模时数据可能过度拟合。多层
感知器模型具有良好的容错性、自适应性和自学习性。
学习，但它的学习速度慢，容易掉进
局部极值学习是不够的和模型
推广不好。复合模型复合材料
随机森林模型和多层感知器模型
相辅相成，效果更佳。
