基于SVM的交通流短時預測方法研究.pdf

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