基于支持向量機(jī)回歸的短時(shí)交通流預(yù)測(cè)與系統(tǒng)實(shí)現(xiàn).pdf

1、本課題屬于教育部基礎(chǔ)科研經(jīng)費(fèi)的“面向大數(shù)據(jù)的實(shí)時(shí)交通信息云計(jì)算系統(tǒng)關(guān)鍵技術(shù)的研究”(N120804003)研究項(xiàng)目。城市短時(shí)交通流預(yù)測(cè)是智能交通控制與誘導(dǎo)的重要組成部分，實(shí)時(shí)準(zhǔn)確的交通流預(yù)測(cè)結(jié)果對(duì)提高智能交通控制和誘導(dǎo)的效果具有關(guān)鍵作用，對(duì)改善城市交通擁擠和提高道路利用效率具有現(xiàn)實(shí)意義。
　　由于城市交通流的強(qiáng)非線性、隨機(jī)性和時(shí)變性等特點(diǎn)，以精確數(shù)學(xué)模型為基礎(chǔ)的傳統(tǒng)方法預(yù)測(cè)效果存在一定的不足。因此，基于人工智能的預(yù)測(cè)方法逐漸受到人

2、們的重視。支持向量機(jī)(Support Vector Machine，SVM)作為一種基于統(tǒng)計(jì)學(xué)理論的機(jī)器學(xué)習(xí)方法，能夠很好地解決非線性、高維度和小樣本等實(shí)際問(wèn)題。
　　首先，總結(jié)了短時(shí)交通流預(yù)測(cè)模型的研究現(xiàn)狀，比較了不同預(yù)測(cè)模型的優(yōu)缺點(diǎn)，分析了影響交通流變化的主要因素。根據(jù)現(xiàn)階段城市發(fā)展較快和影響交通流變化隨機(jī)因素較多，提出了基于支持向量機(jī)回歸的短時(shí)交通流預(yù)測(cè)方法，給出了問(wèn)題描述和模型，并給出了模型求解算法。
　　本文的重點(diǎn)

3、是對(duì)支持向量機(jī)的參數(shù)（C，ε，r）的選擇進(jìn)行了深入的研究，給出了基于試湊法的參數(shù)區(qū)間確定和基于GA的最優(yōu)參數(shù)設(shè)計(jì)。其中，針對(duì)參數(shù)區(qū)間進(jìn)行了與基于歷史數(shù)據(jù)和當(dāng)日實(shí)測(cè)數(shù)據(jù)的BP神經(jīng)網(wǎng)絡(luò)(CHDBP)和移動(dòng)平均（AR）模型的性能比較，比較結(jié)果表明基于給出的參數(shù)區(qū)間的SVR方法預(yù)測(cè)效果優(yōu)于以上兩種方法;針對(duì)GA給出的最優(yōu)參數(shù)，通過(guò)實(shí)驗(yàn)和實(shí)證兩種方法分別測(cè)試和驗(yàn)證了最優(yōu)參數(shù)的性能，結(jié)果表明了GA SVR預(yù)測(cè)方法具有較高的準(zhǔn)確性和可靠性。