本文關(guān)鍵詞：基于支持向量回歸的短時(shí)交通流預(yù)測(cè)方法研究與應(yīng)用

  更多相關(guān)文章： 交通流預(yù)測(cè) 支持向量機(jī) 參數(shù)選擇 遺傳算法 粒子群優(yōu)化算法

【摘要】：短時(shí)交通流預(yù)測(cè)技術(shù)屬于智能交通控制和車輛誘導(dǎo)的重要研究領(lǐng)域,在實(shí)際工程運(yùn)用中,它作為智能交通領(lǐng)域非常重要的基礎(chǔ)理論,通過對(duì)交通流分析和預(yù)測(cè),可以幫助城市進(jìn)行智能交通的誘導(dǎo)工作,使得用戶選擇最優(yōu)的路徑。支持向量機(jī)在面對(duì)過學(xué)習(xí)與欠學(xué)習(xí)問題、局部極小點(diǎn)問題、小樣本等機(jī)器學(xué)習(xí)的研究所遇到的傳統(tǒng)的困難能夠較好的解決,因此可以用在短時(shí)交通流回歸預(yù)測(cè)這一課題的研究中。本文以基于支持向量回歸的短時(shí)交通流預(yù)測(cè)方法研究與應(yīng)用為題,在交通流數(shù)據(jù)分析的基礎(chǔ)上,對(duì)短時(shí)交通流預(yù)測(cè)的方法和理論進(jìn)行了深入探討和研究,并且根據(jù)實(shí)際交通流數(shù)據(jù)搭建支持向量回歸預(yù)測(cè)模型,具有實(shí)際的應(yīng)用可行性。主要工作如下:(1)通過對(duì)交通流數(shù)據(jù)的分析和對(duì)錯(cuò)誤及缺失數(shù)據(jù)的識(shí)別和處理,減少噪聲對(duì)預(yù)測(cè)過程的影響,并為下一步的交通流預(yù)測(cè)模型的建立奠定基礎(chǔ);(2)根據(jù)支持向量機(jī)的基本原理,研究并采用基于支持向量回歸的短時(shí)交通流預(yù)測(cè)模型,并與BP神經(jīng)網(wǎng)絡(luò)的仿真結(jié)果進(jìn)行對(duì)比,實(shí)驗(yàn)證明,支持向量機(jī)回歸模型是一種可行的、有效的交通流預(yù)測(cè)模型,在短時(shí)交通流預(yù)測(cè)中,其性能優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。(3)對(duì)支持向量機(jī)參數(shù)選擇優(yōu)化模型進(jìn)行了研究。支持向量的懲罰系數(shù)、核函數(shù)參數(shù)的優(yōu)化選擇對(duì)回歸模型的學(xué)習(xí)精度和推廣能力的好壞起著重要的作用。本文使用傳統(tǒng)粒子群優(yōu)化算法,對(duì)支持向量回歸參數(shù)尋優(yōu);并結(jié)合遺傳算法,采用一種改進(jìn)的粒子群優(yōu)化算法對(duì)支持向量機(jī)參數(shù)模型進(jìn)行優(yōu)化,有效地改善了短時(shí)交通流的預(yù)測(cè)精度。(4)利用短時(shí)交通流信號(hào)SVR預(yù)測(cè)的研究結(jié)論,在ThinkPHP框架下設(shè)計(jì)并完成了針對(duì)西安市的短時(shí)交通流動(dòng)態(tài)預(yù)測(cè)系統(tǒng)的開發(fā)。
【關(guān)鍵詞】：交通流預(yù)測(cè) 支持向量機(jī) 參數(shù)選擇 遺傳算法 粒子群優(yōu)化算法
【學(xué)位授予單位】：長(zhǎng)安大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：U491.14;TP18
【目錄】：

• 摘要4-5
• Abstract5-9
• 第一章 緒論9-15
• 1.1 研究的背景9-10
• 1.2 交通流預(yù)測(cè)的基本方法10-11
• 1.3 國(guó)內(nèi)外研究現(xiàn)狀11-13
• 1.3.1 國(guó)外研究現(xiàn)狀11-12
• 1.3.2 國(guó)內(nèi)研究現(xiàn)狀12-13
• 1.4 研究的目的和意義13
• 1.5 研究?jī)?nèi)容和方法13-14
• 1.6 本章小結(jié)14-15
• 第二章 交通數(shù)據(jù)流分析15-25
• 2.1 交通流基本理論15-17
• 2.1.1 速度15-16
• 2.1.2 流量16
• 2.1.3 占有率16-17
• 2.2 交通流信息采集技術(shù)17-21
• 2.2.1 移動(dòng)型交通流信息采集技術(shù)17-18
• 2.2.2 固定型交通流信息采集技術(shù)18-19
• 2.2.3 數(shù)據(jù)來源19-21
• 2.3 短時(shí)交通流數(shù)據(jù)的預(yù)處理技術(shù)21-23
• 2.3.1 交通流丟失及錯(cuò)誤數(shù)據(jù)的識(shí)別和處理21-22
• 2.3.2 交通流數(shù)據(jù)的降噪處理22-23
• 2.4 歸一化23-24
• 2.5 本章小結(jié)24-25
• 第三章 支持向量回歸的交通流預(yù)測(cè)模型25-37
• 3.1 支持向量機(jī)的理論基礎(chǔ)25-27
• 3.1.1 學(xué)習(xí)問題的描述25-26
• 3.1.2 經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化26
• 3.1.3 推廣性的界理論26-27
• 3.1.4 結(jié)構(gòu)風(fēng)險(xiǎn)最小化27
• 3.2 支持向量回歸27-31
• 3.2.1 線性分類器27-28
• 3.2.2 最有分類面28-29
• 3.2.3 松弛變量29-30
• 3.2.4 核函數(shù)30-31
• 3.3 自適應(yīng)的參數(shù)選擇31-32
• 3.4 支持向量回歸預(yù)測(cè)模型32-33
• 3.5 實(shí)證性研究33-36
• 3.5.1 數(shù)據(jù)來源及計(jì)算結(jié)果33-34
• 3.5.2 計(jì)算結(jié)果評(píng)價(jià)34-36
• 3.6 本章小結(jié)36-37
• 第四章 支持向量回歸參數(shù)優(yōu)化37-47
• 4.1 傳統(tǒng)粒子群優(yōu)化算法37-41
• 4.1.1 粒子群優(yōu)化算法的相關(guān)理論37-39
• 4.1.2 粒子群優(yōu)化算法進(jìn)行支持向量回歸參數(shù)優(yōu)化39-40
• 4.1.3 粒子群優(yōu)化算法實(shí)證性研究40-41
• 4.2 改進(jìn)的粒子群優(yōu)化算法41-45
• 4.2.1 遺傳算法相關(guān)理論41-42
• 4.2.2 遺傳算法和粒子群算法的優(yōu)劣比較42-43
• 4.2.3 改進(jìn)的粒子群優(yōu)化算法43-44
• 4.2.4 實(shí)證性研究44-45
• 4.3 本章小結(jié)45-47
• 第五章 城市道路短時(shí)交通流預(yù)測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)47-54
• 5.1 短時(shí)交通流預(yù)測(cè)系統(tǒng)設(shè)計(jì)47-51
• 5.1.1 短時(shí)交通流預(yù)測(cè)系統(tǒng)的主要功能47-51
• 5.2 基于百度地圖的預(yù)測(cè)結(jié)果實(shí)時(shí)顯示51-53
• 5.2.1 百度地圖API51
• 5.2.2 Java Script51-52
• 5.2.3 功能實(shí)現(xiàn)52-53
• 5.2.4 顯示結(jié)果53
• 5.3 本章小結(jié)53-54
• 總結(jié)與展望54-56
• 創(chuàng)新點(diǎn)54-55
• 展望55-56
• 參考文獻(xiàn)56-59
• 攻讀學(xué)位期間取得的研究成果59-60
• 致謝60

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 唐明,陳寶星,柳伍生;基于相空間重構(gòu)的短時(shí)交通流分形研究[J];山東交通學(xué)院學(xué)報(bào);2004年01期

2 華冬冬,陳森發(fā);非線性短時(shí)交通流的一種神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法[J];現(xiàn)代交通技術(shù);2004年01期

3 田晶;楊玉珍;陳陽(yáng)舟;;短時(shí)交通流量?jī)煞N預(yù)測(cè)方法的研究[J];公路交通科技;2006年04期

4 蔣海峰;馬瑞軍;魏學(xué)業(yè);溫偉剛;;一種基于小數(shù)據(jù)量的快速識(shí)別短時(shí)交通流混沌特性的方法[J];鐵道學(xué)報(bào);2006年02期

5 蔣海峰;王鼎媛;張仲義;;短時(shí)交通流的非線性動(dòng)力學(xué)特性[J];中國(guó)公路學(xué)報(bào);2008年03期

6 李松;劉力軍;郭海玲;;短時(shí)交通流混沌預(yù)測(cè)方法的比較[J];系統(tǒng)工程;2009年09期

7 許倫輝;唐德華;鄒娜;夏新海;;基于非線性時(shí)間序列分析的短時(shí)交通流特性分析[J];重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年01期

8 李雁;陸海亭;張寧;;一種短時(shí)交通流異常數(shù)據(jù)識(shí)別新算法[J];公路交通科技(應(yīng)用技術(shù)版);2010年04期

9 承向軍;劉軍;馬敏書;;基于分形理論的短時(shí)交通流預(yù)測(cè)算法[J];交通運(yùn)輸系統(tǒng)工程與信息;2010年04期

10 張立;謝忠玉;陳凱;;基于混沌理論的短時(shí)交通流局域預(yù)測(cè)模型[J];黑龍江工程學(xué)院學(xué)報(bào)(自然科學(xué)版);2011年02期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前2條

1 翁小雄;翦俊;;短時(shí)交通流頻譜分析與預(yù)測(cè)[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

2 張利;李星毅;施化吉;;一種基于ARIMA模型的短時(shí)交通流量改進(jìn)預(yù)測(cè)算法[A];2007第三屆中國(guó)智能交通年會(huì)論文集[C];2007年

中國(guó)重要報(bào)紙全文數(shù)據(jù)庫(kù) 前1條

1 本報(bào)記者 李嬋;交通擁堵為何預(yù)測(cè)不準(zhǔn)[N];北京科技報(bào);2010年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前2條

1 郭歡;基于灰理論的短時(shí)交通流動(dòng)力學(xué)建模預(yù)測(cè)與優(yōu)化研究[D];武漢理工大學(xué);2013年

2 張曉利;基于非參數(shù)回歸的短時(shí)交通流量預(yù)測(cè)方法研究[D];天津大學(xué);2007年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 喻丹;基于小波理論的短時(shí)交通流預(yù)測(cè)方法研究[D];長(zhǎng)沙理工大學(xué);2008年

2 謝生龍;城市道路短時(shí)交通流動(dòng)態(tài)預(yù)測(cè)方法研究與應(yīng)用[D];長(zhǎng)安大學(xué);2015年

3 胡浩然;基于Hadoop平臺(tái)的短時(shí)交通流預(yù)測(cè)算法研究[D];華南理工大學(xué);2016年

4 符義琴;短時(shí)交通流分析及預(yù)測(cè)[D];南京信息工程大學(xué);2016年

5 陳功;數(shù)據(jù)挖掘技術(shù)在智慧交通中的應(yīng)用[D];電子科技大學(xué);2016年

6 韋凌翔;基于RVM和ARIMA的短時(shí)交通流量預(yù)測(cè)方法研究[D];長(zhǎng)安大學(xué);2016年

7 武瓊;基于支持向量回歸的短時(shí)交通流預(yù)測(cè)方法研究與應(yīng)用[D];長(zhǎng)安大學(xué);2016年

8 卓卉;基于混沌理論的短時(shí)交通流預(yù)測(cè)方法研究[D];北京交通大學(xué);2008年

9 唐明;短時(shí)交通流特性及其預(yù)測(cè)方法的研究[D];長(zhǎng)沙理工大學(xué);2004年

10 華冬冬;短時(shí)交通流的混沌性分析及其基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型研究[D];東南大學(xué);2005年

，

本文編號(hào)：633626