基于SVM的機動車流量數(shù)據(jù)分析與預測模型.pdf

1、支持向量機是一種新的機器學習算法，以統(tǒng)計學習理論作為其理論基礎，它的訓練等價于解決一個二次規(guī)劃問題，采用結構風險最小化原則，具有預測能力強、全局最優(yōu)及收斂速度快等顯著特點。因此，本文從研究混沌時間序列的預測入手，研究了一種基于支持向量機回歸理論的預測方法，并將其應用于混沌時間序列預測中。為了驗證該算法的性能，我們做了兩項工作，一個是利用相空間的重構理論對混沌時間序列進行了單步與多步的預測，并同文獻中的神經(jīng)網(wǎng)絡的預測結果進行了比較分析：另

2、一個是在混沌時間序列中加入不同水平的噪聲，并同BP網(wǎng)絡及RBF網(wǎng)絡的預測結果進行了比較分析。仿真結果表明，用支持向量回歸算法進行混沌時間序列的預測能夠取得比其他方法更好的效果，具有很好的穩(wěn)健性及泛化能力。
　　 在研究混沌時間序列預測的基礎上，本文結合高速公路車流量的特點，對高速公路車流量預測問題進行研究，建立了基于支持向量機的高速公路車流量短期預測的模型，應用實際的負荷數(shù)據(jù)進行仿真試驗，實際試驗表明，該方法在預測的效果明顯的優(yōu)