基于SARIMA和SVM模型的短時交通流預測.pdf

1、智能運輸系統(tǒng)以“緩解擁擠、保障安全、提高效率、減少污染、節(jié)約能源”為目標，是未來交通發(fā)展的主導方向，而短時交通流預測則是實現(xiàn)交通系統(tǒng)智能化運行的關(guān)鍵技術(shù)之一。以往的短時交通流預測應用往往受制于大規(guī)模的交通流數(shù)據(jù)采集和所得數(shù)據(jù)的快速建模計算，近些年來隨著科技的迅猛發(fā)展，交通信息采集及傳輸設(shè)備的數(shù)量越來越大，且獲取途徑越來越多，都為獲取充足的實時數(shù)據(jù)奠定了物質(zhì)基礎(chǔ)，為從事基于數(shù)據(jù)分析的交通狀態(tài)信息預測研究提供了數(shù)據(jù)保障；此外，計算機的運算速

2、度越來越快，處理能力也越來越強，為各種復雜預測模型的快速計算解除了后顧之憂，這些都使得短時交通流狀態(tài)數(shù)據(jù)的分析和預測逐步成為現(xiàn)實。
　　 全文以背景介紹、國內(nèi)外研究現(xiàn)狀綜述、短時交通流特性分析、數(shù)據(jù)預處理、建模理論及方法、歸納總結(jié)為主線，比較系統(tǒng)地研究了路段短時交通流預測問題。首先對國內(nèi)外研究現(xiàn)狀進行了綜述，將預測方法分成四大類，并對ARIMA和SVM模型用于預測的不足做了評述。然后在對短時交通流數(shù)據(jù)進行分析的基礎(chǔ)上，總結(jié)歸納了

3、短時交通流的五大顯著特征；并根據(jù)數(shù)據(jù)的實際情況選用橫向處理的方式，分別優(yōu)選兩種統(tǒng)計判斷準則進行可疑值識別、異常值確認，以解決原始測量數(shù)據(jù)質(zhì)量問題。緊接著根據(jù)短時交通流具有的部分特性如周期性、隨機性，選用單一線性SARIMA模型進行建模預測，全面闡述建模過程中的平穩(wěn)性檢驗、白噪聲檢驗、差分平穩(wěn)化、模型識別、參數(shù)估計、診斷檢驗、模型優(yōu)化等步驟，并使用SAS軟件編程實現(xiàn)了預測。后來再根據(jù)短時交通流具有的部分特性如非線性、復雜性，特別是非線性比

4、較明顯的特征，選用單一非線性ε-SVR模型進行建模預測。內(nèi)容包括介紹了支持向量機的理論基礎(chǔ)及來源，比較了其輸入特征提取的不同方法后提出按照SRAIMA的AR項選擇SVR輸入的新方法，運用粒子群優(yōu)化算法求得模型的最優(yōu)配對參數(shù)，并使用LIBSVM軟件編程實現(xiàn)了預測。最后又根據(jù)短時交通流自身具備的全部特性，將SARIMA和SVR模型進行混合運算。一方面，借鑒預測控制理論中的誤差預測反饋校正的思想，運用SARIMA建立預測主模型，運用SVR建立