基于支持向量機回歸的短時交通流預測與系統(tǒng)實現(xiàn).pdf

1、本課題屬于教育部基礎科研經(jīng)費的“面向大數(shù)據(jù)的實時交通信息云計算系統(tǒng)關鍵技術的研究”(N120804003)研究項目。城市短時交通流預測是智能交通控制與誘導的重要組成部分，實時準確的交通流預測結(jié)果對提高智能交通控制和誘導的效果具有關鍵作用，對改善城市交通擁擠和提高道路利用效率具有現(xiàn)實意義。
　　由于城市交通流的強非線性、隨機性和時變性等特點，以精確數(shù)學模型為基礎的傳統(tǒng)方法預測效果存在一定的不足。因此，基于人工智能的預測方法逐漸受到人

2、們的重視。支持向量機(Support Vector Machine，SVM)作為一種基于統(tǒng)計學理論的機器學習方法，能夠很好地解決非線性、高維度和小樣本等實際問題。
　　首先，總結(jié)了短時交通流預測模型的研究現(xiàn)狀，比較了不同預測模型的優(yōu)缺點，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因素較多，提出了基于支持向量機回歸的短時交通流預測方法，給出了問題描述和模型，并給出了模型求解算法。
　　本文的重點

3、是對支持向量機的參數(shù)（C，ε，r）的選擇進行了深入的研究，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)設計。其中，針對參數(shù)區(qū)間進行了與基于歷史數(shù)據(jù)和當日實測數(shù)據(jù)的BP神經(jīng)網(wǎng)絡(CHDBP)和移動平均（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方法預測效果優(yōu)于以上兩種方法;針對GA給出的最優(yōu)參數(shù)，通過實驗和實證兩種方法分別測試和驗證了最優(yōu)參數(shù)的性能，結(jié)果表明了GA SVR預測方法具有較高的準確性和可靠性。