基于混沌和SVR的短時交通流預(yù)測方法研究.pdf

1、隨著智能交通系統(tǒng)(ITS)的研究和發(fā)展的不斷深入,各大城市紛紛開展相應(yīng)的ITS戰(zhàn)略規(guī)劃研究,以期為城市乃至經(jīng)濟發(fā)展注入新的活力。交通流預(yù)測是交通信息系統(tǒng)中信息深度和適用處理的關(guān)鍵技術(shù),是為公眾出行提供便利的城市交通誘導(dǎo)系統(tǒng)核心內(nèi)容之一,也是交通事故處理系統(tǒng)以及ITS中其他子系統(tǒng)的重要應(yīng)用技術(shù)基礎(chǔ)之一。由于路段交通流狀態(tài)的時變性和復(fù)雜性,很難給出精確的解析表達式描述其變化規(guī)律,因此進行實時準(zhǔn)確的交通流預(yù)測研究具有極為重要的意義。
　

2、　 本文在分析混沌理論的基礎(chǔ)上,研究了小數(shù)據(jù)量法計算交通流的李雅譜諾夫(Lyapunov)指數(shù)進行混沌特性判別。進而研究了短時交通流時間序列的相空間重構(gòu)理論,并利用C-C法計算出重構(gòu)相空間的嵌入維數(shù)m和時間延遲τ,這為后續(xù)交通流預(yù)測建立了數(shù)據(jù)關(guān)系。對實際交通流進行了仿真,有效地驗證了交通流混沌現(xiàn)象的存在和短期可預(yù)測性。
　　 本文在研究了支持向量回歸機(SVR)原理的基礎(chǔ)上,探討了SVR進行有限樣本、非線性交通流預(yù)測的適用性。

3、在分析了SVR模型構(gòu)建的核函數(shù)及參數(shù)選取問題基礎(chǔ)上,將交通流時間序列相空間重構(gòu)和SVR模型相結(jié)合,建構(gòu)了基于相空間的SVR短時交通流單點單步預(yù)測模型,并分別用傳統(tǒng)的網(wǎng)格搜索法(GS)和本文設(shè)計的遺傳算法(GA)對SVR模型進行參數(shù)尋優(yōu)。用上述兩種模型對PeMS的工作日和節(jié)假日實測交通流數(shù)據(jù)進行預(yù)測仿真,實驗充分驗證了對源數(shù)據(jù)進行規(guī)范化處理可以有效提高預(yù)測性能,遺傳算法SVR模型比網(wǎng)格搜索SVR預(yù)測性能好,能更有效進行短時交通流預(yù)測。

4、r>　　 通過遺傳算法尋優(yōu)驗證了SVR存在訓(xùn)練運算速度慢的不足,不能較好的滿足預(yù)測的實時性要求。因此本文借鑒集成學(xué)習(xí)思想,研究了集成學(xué)習(xí)中典型的Bagging方法和Boosting方法,將二者與SVR相融合并應(yīng)用到短時交通流預(yù)測中。分別用這兩種模型對實測交通流進行實驗仿真,并與單一SVR的GS-SVR和GA-SVR兩種模型進行比較分析,實驗驗證了集成SVR不僅能大大縮短預(yù)測時間,而且能獲得比單一SVR更優(yōu)秀的綜合性能,這為設(shè)計實時高性