城市道路短時交通流量預(yù)測是城市智能交通系統(tǒng)的重要環(huán)節(jié),短時交通流量的變化具有很強的隨機性和時效性,且影響因素眾多,如何快速有效地分析影響因素與交通流量之間的關(guān)系是研究城市道路短時交通流量預(yù)測的關(guān)鍵問題。城市道路短時交通流量與時空關(guān)聯(lián)的多種影響因素之間的關(guān)系不明確,本文提出了一種組合最小二乘支持向量機（Multi-group Least Squares Support Vector Machines,MLS-SVM）預(yù)測模型并應(yīng)用于城市道路短時交通流量的定期離線預(yù)測,綜合考慮時間、道路結(jié)構(gòu)和周邊環(huán)境多種影響因素,提升模型的預(yù)測精度。將標(biāo)準(zhǔn)化后的影響因素按數(shù)據(jù)源分組建立支持向量回歸子模型來研究與交通流量之間的關(guān)系,降低特征維度的同時還可以獨立考慮各類因素的影響效果,最后組合各子模型優(yōu)化預(yù)測結(jié)果。采用實測數(shù)據(jù)集進(jìn)行仿真實驗,與單支持向量機預(yù)測模型、小波神經(jīng)網(wǎng)絡(luò)時間序列預(yù)測模型和多因素模式識別模型對比分析,仿真結(jié)果表明MLS-SVM預(yù)測模型的平均預(yù)測誤差最小且超過45%時間段的預(yù)測誤差最小,展現(xiàn)了 MLS-SVM預(yù)測模型在定期離線預(yù)測情景下的有效性和優(yōu)越性。短時交通流量離線預(yù)測模型復(fù)雜度高且建... 

【文章來源】：合肥工業(yè)大學(xué)安徽省 211工程院校 教育部直屬院校

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．１城市道路短時交通流量預(yù)測基本流程圖??Ｆｉｇ?２．１?Ｂａｓｉｃ?ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ｓｈｏｒｔ－ｔｅｒｍ?ｕｒｂａｎ?ｔｒａｆｆｉｃ?ｆｌｏｗ?ｐｒｅｄｉｃｔｉｏｎ??

２．３短時預(yù)測模型??目前己有不少短時預(yù)測方法和模型，當(dāng)然不存在一個模型是萬能的，每種方??法都有著自身的優(yōu)點和局限性。前人對短時預(yù)測問題的研宄大致可以歸納為圖２．２??所展示的情況。??短時預(yù)測模型??非?乂??線?囂工混??性?＾?智合??模?ｇ?能?模??型?＾?模型??生?型??／＾￣＼?￣＼?／?￣＼?／?￣￣?￣＼??方?小遺ｇ??歷時狀?小突混?神遺＆?波傳＠??史間態(tài)?波變純?經(jīng)傳ｇ?神神ｓ??平序空?理理?理?ｎ?ｎ?ｐ?經(jīng)?經(jīng)?ｇ??均?列?間…?論?論論…?絡(luò)法告．．．網(wǎng)網(wǎng)?２…??模?模?模?模?桟?模?模?模?＾?絡(luò)?絡(luò)?＾??型型型?型型型?型型?＾?模模?＆??型?型型｜??圖２．２短時預(yù)測模型分類圖??Ｆｉｇ?２．２?Ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｄｉａｇｒａｍ?ｏｆ?ｓｈｏｒｔ－ｔｅｒｍ?ｐｒｅｄｉｃｔｉｏｎ?ｍｏｄｅｌ??下面介紹本文使用到的一些短時預(yù)測模型及其相關(guān)理論。??（１）支持向量機模型??支持向量機（Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅ，ＳＶＭ）是由?Ｃｏｒｉｎｎａ?Ｃｏｒｔｅｓ?和?Ｖａｐｎｉｋ?等??于１９９５年首先提出的，它在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特??有的優(yōu)勢，并能夠推廣應(yīng)用到函數(shù)擬合等其他機器學(xué)習(xí)問題中。為了兼顧模型的??估計精度與泛化能力，在考慮經(jīng)驗風(fēng)險的前提下最小化結(jié)構(gòu)風(fēng)險，同時引入損失??函數(shù)（估量預(yù)測值與真實值不一致的程度）來保證問題有解

人工神經(jīng)網(wǎng)絡(luò)（Ａｒｔｉｆｉｃｉａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ，簡寫為ＡＮＮｓ）也簡稱為神經(jīng)網(wǎng)絡(luò)??（ＮＮｓ），它模仿動物神經(jīng)網(wǎng)絡(luò)的行為特征，進(jìn)行分布式并行信息處理的數(shù)學(xué)建模，??神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)圖如圖２．３所示。??人工神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)、自組織和自學(xué)習(xí)能力，可以分布式存儲信息和并??行處理信息，還具有高度非線性、計算的非精度性和良好的容錯性。人工神經(jīng)網(wǎng)??絡(luò)非線性映射能力強、泛化能力強，但在實際應(yīng)用中也存在著一些缺陷，它存在??多個局部極小值點、收斂速度慢、網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計難以統(tǒng)一等不足。因此，在實際??應(yīng)用中只能靠經(jīng)驗和實驗來確定神經(jīng)網(wǎng)絡(luò)模型，需要解決的問題不同，映射關(guān)系??也不同，網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計便存在不確定性。??１１??

【參考文獻(xiàn)】：
期刊論文
[1]基于Hermite矩陣求逆的LSSVM在線預(yù)測算法研究[J]. 洪貝,姜學(xué)鵬,齊玉東,陳青華.  系統(tǒng)仿真學(xué)報. 2017(01)
[2]基于組合模型的短時交通流量預(yù)測算法[J]. 芮蘭蘭,李欽銘.  電子與信息學(xué)報. 2016(05)
[3]面向大數(shù)據(jù)分析的在線學(xué)習(xí)算法綜述[J]. 李志杰,李元香,王峰,何國良,匡立.  計算機研究與發(fā)展. 2015(08)
[4]一種基于相關(guān)分析的局域最小二乘支持向量機小尺度網(wǎng)絡(luò)流量預(yù)測算法[J]. 唐舟進(jìn),彭濤,王文博.  物理學(xué)報. 2014(13)
[5]基于組合預(yù)測模型的短時交通流預(yù)測[J]. 李穎宏,劉樂敏,王玉全.  交通運輸系統(tǒng)工程與信息. 2013(02)
[6]基于均勻設(shè)計的最小二乘支持向量機改進(jìn)算法[J]. 向昌盛,周子英,張林峰.  計算機仿真. 2011(03)
[7]基于時空分析的短時交通流量預(yù)測模型[J]. 夏英,梁中軍,王國胤.  南京大學(xué)學(xué)報(自然科學(xué)版). 2010(05)
[8]多子群遺傳神經(jīng)網(wǎng)絡(luò)模型用于路口短時交通流量預(yù)測[J]. 劉漢麗,周成虎,朱阿興,李霖.  測繪學(xué)報. 2009(04)
[9]回歸最小二乘支持向量機的增量和在線式學(xué)習(xí)算法[J]. 張浩然,汪曉東.  計算機學(xué)報. 2006(03)

博士論文
[1]車聯(lián)網(wǎng)環(huán)境下交通信息采集與處理方法研究[D]. 周戶星.吉林大學(xué) 2013
[2]基于最小二乘支持向量機的在線建模與控制方法研究[D]. 周欣然.湖南大學(xué) 2012

碩士論文
[1]基于車聯(lián)網(wǎng)的短時交通流預(yù)測算法研究[D]. 林冬霞.華南理工大學(xué) 2015
[2]城市交叉口短時交通流預(yù)測模型與算法研究[D]. 郭沂鑫.蘭州交通大學(xué) 2014
[3]基于小波分析和遺傳神經(jīng)網(wǎng)絡(luò)的短時城市交通流量預(yù)測研究[D]. 李波.北京交通大學(xué) 2012



本文編號：3526938