【摘要】：實(shí)時(shí)準(zhǔn)確的交通流預(yù)測(cè)是實(shí)現(xiàn)智能交通誘導(dǎo)的前提和關(guān)鍵,也是智能交通系統(tǒng)的主要組成部分。早期研究人員利用微積分和概率論等基本數(shù)學(xué)工具開(kāi)發(fā)了幾種基本的短時(shí)交通流預(yù)測(cè)模型,這些模型主要包括趨勢(shì)外推法、時(shí)間序列法、回歸分析法等。然而,城市道路交通系統(tǒng)是一個(gè)有人參與的非平穩(wěn)隨機(jī)系統(tǒng),具有時(shí)空相關(guān)性、非線性等特點(diǎn)。天氣情況、駕駛員狀態(tài)、突發(fā)性事件等都會(huì)對(duì)交通系統(tǒng)的性能產(chǎn)生影響,因此傳統(tǒng)的方法預(yù)測(cè)效果并不理想,這使得人工智能理論越來(lái)越受到人們的關(guān)注。 支持向量回歸機(jī)(SVR)是一種基于統(tǒng)計(jì)理論的新興機(jī)器學(xué)習(xí)方法。它堅(jiān)持結(jié)構(gòu)風(fēng)險(xiǎn)最小化的構(gòu)建原則,能夠在小樣本學(xué)習(xí)環(huán)境下有效解決非線性復(fù)雜系統(tǒng)的擬合問(wèn)題,在短時(shí)交通流預(yù)測(cè)中表現(xiàn)出了優(yōu)越的性能。大量實(shí)驗(yàn)表明,其預(yù)測(cè)精度相對(duì)于神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)線性預(yù)測(cè)方法具有明顯的優(yōu)勢(shì)。本文分析了參數(shù)選擇對(duì)支持向量回歸機(jī)性能的影響以及不同參數(shù)優(yōu)化算法的優(yōu)劣勢(shì),在此基礎(chǔ)上選擇模擬退火算法(SA)對(duì)SVR的參數(shù)行進(jìn)優(yōu)化,進(jìn)而提出了基于SA-SVR的短時(shí)交通流預(yù)測(cè)模型。該模型將支持向量回歸機(jī)的結(jié)構(gòu)風(fēng)險(xiǎn)最小化特點(diǎn)和模擬退火算法的快速全局尋優(yōu)優(yōu)勢(shì)相結(jié)合,在實(shí)時(shí)性和精度兩個(gè)方面達(dá)到了短時(shí)交通流預(yù)測(cè)的要求。實(shí)驗(yàn)表明,該預(yù)測(cè)模型的平均相對(duì)預(yù)測(cè)誤差為4.96%,最大相對(duì)預(yù)測(cè)誤差為9.81%。 隨著訓(xùn)練樣本規(guī)模的增大,傳統(tǒng)SVR訓(xùn)練算法的時(shí)間和空間復(fù)雜度急劇增加,以至于這些算法的單機(jī)實(shí)現(xiàn)在具體應(yīng)用中往往會(huì)失效。本文從“迭代”和“并行”兩個(gè)角度詳細(xì)闡述了解決這一問(wèn)題的具體算法,并將MapReduce分布式處理框架與大規(guī)模SVR訓(xùn)練算法的“迭代”思想相結(jié)合,提出了Hadoop環(huán)境下大規(guī)模SVR訓(xùn)練算法,進(jìn)而構(gòu)建了Hadoop環(huán)境下SA-SVR短時(shí)交通流預(yù)測(cè)模型,在保證預(yù)測(cè)精度的情況下進(jìn)一步提高了短時(shí)交通流預(yù)測(cè)的實(shí)時(shí)性。實(shí)驗(yàn)表明,在訓(xùn)練樣本數(shù)量為100000的情況下,該并行算法相對(duì)單機(jī)算法的加速比達(dá)到了16.03,平均相對(duì)預(yù)測(cè)誤差為5.20%,最大相對(duì)預(yù)測(cè)誤差為10.70%。
【圖文】：

以分為：統(tǒng)計(jì)理論模型、非線性理論模型、智能理論模型、微觀交通仿真模型和混合模型[4]，，詳細(xì)分類如圖1.1所示。交通流預(yù)測(cè)統(tǒng)計(jì)理論I I智能模型 非線性理論 交通仿真 混合模型I ^i TI ill I I I I rnf § t I _神 <]、分i I ill平序 i f 經(jīng) 波型純變 分? i 方性均列 ra p

本文編號(hào)：2582913