基于支持向量机回归的短时交通流预测与系统实现

论文摘要

本课题属于教育部基础科研经费的“面向大数据的实时交通信息云计算系统关键技术的研究”(N120804003)研究项目。城市短时交通流预测是智能交通控制与诱导的重要组成部分,实时准确的交通流预测结果对提高智能交通控制和诱导的效果具有关键作用,对改善城市交通拥挤和提高道路利用效率具有现实意义。由于城市交通流的强非线性、随机性和时变性等特点,以精确数学模型为基础的传统方法预测效果存在一定的不足。因此,基于人工智能的预测方法逐渐受到人们的重视。支持向量机(Support Vector Machine, SVM)作为一种基于统计学理论的机器学习方法,能够很好地解决非线性、高维度和小样本等实际问题。首先,总结了短时交通流预测模型的研究现状,比较了不同预测模型的优缺点,分析了影响交通流变化的主要因素。根据现阶段城市发展较快和影响交通流变化随机因素较多,提出了基于支持向量机回归的短时交通流预测方法,给出了问题描述和模型,并给出了模型求解算法。本文的重点是对支持向量机的参数(C,ε,r)的选择进行了深入的研究,给出了基于试凑法的参数区间确定和基于GA的最优参数设计。其中,针对参数区间进行了与基于历史数据和当日实测数据的BP神经网络(CHDB P)和移动平均(AR)模型的性能比较,比较结果表明基于给出的参数区间的SVR方法预测效果优于以上两种方法；针对GA给出的最优参数,通过实验和实证两种方法分别测试和验证了最优参数的性能,结果表明了GA SVR预测方法具有较高的准确性和可靠性。最后,对短时交通流预测系统进行了系统需求分析和设计,实现了基于支持向量机回归方法的短时交通流预测系统原型。研究成果将能有效提高短时交通流的预测准确度和精确度,对改善智能交通的总体性能具有重要作用。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题研究的背景和意义
• 1.2 国内外短时交通流预测方法研究现状
• 1.2.1 基于线性理论的预测方法
• 1.2.2 基于非线性理论的预测方法
• 1.2.3 基于知识发现的智能模型预测方法
• 1.2.4 基于交通模拟的预测方法
• 1.2.5 组合模型预测方法
• 1.3 本文的主要内容
• 1.4 本文结构安排
• 1.5 本章小结
• 第二章 交通流基本特性和支持向量机基本原理
• 2.1 交通流特性及影响因素分析
• 2.1.1 交通流基本特征参数
• 2.1.2 交通流基本参数的关系模型
• 2.2 短时交通流预测基本流程
• 2.3 支持向量机理论与原理
• 2.3.1 统计学理论
• 2.3.2 支持向量机原理
• 2.3.3 支持向量机分类
• 2.3.4 支持向量机核函数
• 2.3.5 支持向量机回归模型
• 2.4 本章小结
• 第三章 基于支持向量机回归的短时交通流预测方法
• 3.1 短时交通流预测问题描述
• 3.2 基于支持向量机回归的预测模型
• 3.3 基于容许方向法的求解算法
• 3.4 实验分析
• 3.4.1 实验数据来源
• 3.4.2 算法性能分析
• 3.4.3 模型参数选择
• 3.4.4 方法性能比较
• 3.5 本章小结
• 第四章 基于遗传算法的支持向量机回归参数优化设计
• SVR的预测模型基本思想'>4.1 基于GA_SVR的预测模型基本思想
• 4.2 预测问题描述与模型
• 4.3 基于GA的模型参数优化算法
• 4.3.1 算法总体框架
• 4.3.2 遗传算法设计
• 4.4 实验分析
• 4.4.1 算法性能分析
• 4.4.2 算法性能评价
• SVR模型的短时交通流预测方法实证分析'>4.5 基于GA_SVR模型的短时交通流预测方法实证分析
• 4.5.1 实证数据来源
• 4.5.2 预测方法评价
• 4.6 本章小结
• 第五章 短时交通流预测系统设计与实现
• 5.1 智能交通计算系统总体框架
• 5.1.1 系统物理结构
• 5.1.2 系统逻辑结构
• 5.2 短时交通流预测系统分析
• 5.2.1 系统需求分析
• 5.3 短时交通流系统设计
• 5.3.1 功能总体结构
• 5.3.2 功能详细设计
• 5.3.3 数据库设计
• 5.4 短时交通流预测系统的实现
• 5.4.1 系统研发平台概述
• 5.4.2 数据模拟模块
• 5.4.3 预测模型模块
• 5.4.4 预测评价模块
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 论文工作总结
• 6.2 未来研究方向展望
• 参考文献
• 致谢
• 攻读硕士期间发表的论文、获奖情况及发明专利等项