基于SVM的交通流短時預測方法研究.pdf_第1頁
已閱讀1頁,還剩71頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、20世紀以來,交通運輸業(yè)是拉動國民經濟快速發(fā)展的重要產業(yè),其發(fā)展狀況直接影響國民經濟的健康運行。幾十年來,各國交通事業(yè)者提出許多不同方法,嘗試為不同城市建立適應自身實際狀況的智能交通系統(ITS),試圖運用交通信息系統、動態(tài)路徑誘導系統等方法來解決城市交通存在的問題,而對交通流的準確預測是ITS實施動態(tài)路徑誘導、交通分配、事故檢測等的前提,因此具有非常重要的意義。
  本文在分析了交通流存在的特性后,根據混沌理論,研究了運用最大L

2、yapunov指數對交通流的可預測性進行判別,進而對交通流時間序列進行相空間重構,以顯現交通流的內在規(guī)律,為后文對交通流的短時預測構建數據關系。最后從PeMS系統中選擇不同的交通流實測數據進行實驗仿真,證明了選擇的交通流的確是可預測的。
  本文在研究支持向量機(SVM)原理以及其用于解決回歸問題的ε-SVR原理基礎上,分析了基于SVR的模型用于交通流短時預測的可行性,以及不同核函數(徑向基核、改進核)和核參數對SVR模型的預測性

3、能的影響后,構造了基于相空間重構和SVR的交通流短時預測模型,并選擇網格法(GS)、粒子群算法(PSO)以及綜合改進粒子群算法(IPSO)對SVR模型的相關參數進行尋優(yōu),構建GS-SVR、PSO-SVR和IPSO-SVR預測模型,同時構建基于BP網絡的預測模型用于對比研究。最后從PeMS系統中選擇工作日和節(jié)假日交通流實測數據分別對GS-SVR、PSO-SVR、IPSO-SVR和BP模型進行實驗仿真,并對預測交通流的相關預測性能指標進行對

4、比研究表明:基于BP網絡的交通流預測模型綜合性能差于基于SVR的交通流預測模型;在相同核函數下,基于IPSO的SVR模型相對基于PSO的SVR模型和基于GS的SVR模型能獲得更好的預測性能;在相同參數尋優(yōu)算法下,基于改進核函數的SVR模型具有更好的預測性能。
  通過粒子群參數尋優(yōu)的SVR模型耗時較長,實時性不好。本文在研究了集成學習原理用于基于SVR的交通流短時預測的基礎上,著重分析了將Bagging算法和Boosting算法與

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論