基于群智能算法優(yōu)化SVR的短時交通流預測.pdf

1、智能交通系統(tǒng)是緩解道路交通擁堵、減少交通事故和提高交通運行效率的重要應用系統(tǒng)。實時準確可靠的交通流量預測是實現智能交通系統(tǒng)控制和誘導的關鍵內容，具有重大的理論研究和實際應用價值。
　　本文以短時交通流量預測為研究主題，總結了短時交通流預測的研究現狀，在學習交通流預測原理和支持向量回歸(Support Vector Regression，SVR)理論的基礎上，對基于SVR的短時交通流預測模型中參數選擇問題進行了探討和研究，運用群智能

2、優(yōu)化方法進行最優(yōu)參數選擇，并且仿真實際數據來驗證提出的預測模型。本文的主要工作如下:
　　1.對人工魚群算法優(yōu)化支持向量回歸的參數選擇模型進行研究。針對支持向量回歸的懲罰系數、不敏感損失系數和核函數參數的選擇對回歸算法的預測精度的重要影響，結合交通流數據特征，本文運用人工魚群算法對支持向量回歸參數進行優(yōu)化選擇，同時引入人工魚群算法中感知視野和移動步長參數的自適應搜索機制，建立了基于人工魚群算法優(yōu)化支持向量回歸的短時交通流預測模型。

3、實際數據的仿真實驗和模型的對比結果表明了提出的回歸預測模型的可行性和有效性。
　　2.對混合粒子群人工魚群算法優(yōu)化支持向量回歸的參數選擇模型進行研究。在人工魚群算法優(yōu)化支持向量回歸的預測模型的研究基礎上，為解決人工魚群算法中的初始參數較多問題以及步長因子設置對尋優(yōu)性能的影響，本文提出采用粒子群優(yōu)化算法對人工魚群算法進行改進，減少了步長因子對人工魚群算法影響，并且引入混沌機制初始化人工魚群位置信息，從而對支持向量回歸進行參數選擇，建