短時交通流預測方法研究.pdf

1、隨著智能交通技術的發(fā)展，車輛誘導系統(tǒng)作為智能交通系統(tǒng)的重要組成部分，已成為交通管理部門疏導城市道路交通的有效途徑。短時交通流預測作為車輛誘導系統(tǒng)的關鍵技術以及智能交通領域非常重要的理論基礎，通過對道路交通流的分析和預測，給用戶提供最佳的行駛路線，優(yōu)化交通管理方案，均衡交通流。
　　本文首先分析了短時交通流預測的背景、國內(nèi)外研究現(xiàn)狀以及課題研究意義，并在研究支持向量機原理的基礎上，提出了采用支持向量回歸(SVR)方法建立短時交通流預

2、測模型。
　　其次，基于SVM的研究，采用訓練誤差的平方代替松弛變量，將不等式約束改進為等式約束的方法，進而提出了基于最小二乘支持向量回歸(LS-SVR)的交通流短時預測模型，從而避免求解二次規(guī)劃問題，提高了模型訓練的速度。同時，由于預測結果的精度受模型參數(shù)影響較大，為了進一步提高模型的預測精度，提出了利用魚群算法(AFSA)來優(yōu)化LS-SVR中的參數(shù)，得到基于AFSA-LS-SVR的預測模型。
　　最后，本文將采集到的揚州

3、雙橋崗2014年9月4日至6日的相關交通流量數(shù)據(jù)作為研究對象，分別利用SVR、LS-SVR、AFSA-LS-SVR預測模型對其進行短時交通流預測，并將得到的結果進行比較分析。仿真結果表明:LS-SVR模型的預測結果優(yōu)于SVR模型，且AFSA-LS-SVR模型的預測誤差更小，這說明利用AFSA優(yōu)化LS-SVM的模型參數(shù)有利于提高模型的預測精度，同時也說明AFSA-LS-SVR方法在預測方面具有一定程度上的優(yōu)越性，所以基于魚群優(yōu)化算法的最小