基于SVM与自适应时空数据融合的短时交通流量预测模型

发布时间：2018-05-06 02:11

本文选题：短时交通流预测 + 支持向量机　；参考：《北京工业大学学报》2015年04期

【摘要】：针对短时交通流变化周期性与随机性特点,选取时间和空间序列流量观测值作为支持向量机训练样本进行训练,使用空间序列预测值对交通流时间序列预测结果进行修正,并通过对历史时间空间序列预测结果的分析,动态调整其对未来预测的影响,建立基于SVM与自适应时空数据融合的短时交通流量预测模型.最后,将提出的预测模型与支持向量机时间序列预测模型、指数平滑法、多元回归法预测结果进行对比,结果表明:自适应时空数据融合预测模型可将预测平均相对误差控制在4%,明显高于其他模型预测精度.
[Abstract]:According to the characteristics of periodicity and randomness of short-term traffic flow changes, the time and space series flow observation values are selected as training samples of support vector machine, and the prediction results of traffic flow time series are modified by using spatial sequence prediction values. By analyzing the prediction results of historical time and space series and dynamically adjusting its influence on future prediction, a short-term traffic flow forecasting model based on SVM and adaptive spatio-temporal data fusion is established. Finally, the proposed prediction model is compared with the prediction results of support vector machine time series prediction model, exponential smoothing method and multivariate regression method. The results show that the prediction model of adaptive spatio-temporal data fusion can control the average relative error of prediction at 4%, which is obviously higher than the prediction accuracy of other models.
【作者单位】：河北工业大学土木工程学院;河北省土木工程技术研究中心;
【基金】：河北省人力资源与社会保障厅留学人员科技活动项目(D2011001)
【分类号】：U491.112

【参考文献】

相关期刊论文前10条

1 黄潂,陈森发,周振国,亓霞;城市交通流量的非线性混沌预测模型研究(英文)[J];Journal of Southeast University(English Edition);2003年04期

2 徐启华;杨瑞;;支持向量机在交通流量实时预测中的应用[J];公路交通科技;2005年12期

3 李巧茹;陈亮;张铮;支学军;;并行式时空二维融合路段交通量预测[J];河北工业大学学报;2008年03期

4 杨兆升;王媛;管青;;基于支持向量机方法的短时交通流量预测方法[J];吉林大学学报(工学版);2006年06期

5 尚宁;覃明贵;王亚琴;崔中发;崔岩;朱扬勇;;基于BP神经网络的路口短时交通流量预测方法[J];计算机应用与软件;2006年02期

6 樊娜;赵祥模;戴明;安毅生;;短时交通流预测模型[J];交通运输工程学报;2012年04期

7 傅贵;韩国强;逯峰;许子鑫;;基于支持向量机回归的短时交通流预测模型[J];华南理工大学学报(自然科学版);2013年09期

8 李斌;郗涛;史明华;;基于支持向量机的交通流组合预测模型[J];天津工业大学学报;2008年02期

9 沈国江;王啸虎;孔祥杰;;短时交通流量智能组合预测模型及应用[J];系统工程理论与实践;2011年03期

10 高尚;房靖;;公路交通运量的支持向量机组合预测[J];交通运输系统工程与信息;2007年04期

【共引文献】

相关期刊论文前10条

1 赵亚萍;张和生;周卓楠北京交通大学电气工程学院;杨军;潘成;贾利民;;基于最小二乘支持向量机的交通流量预测模型[J];北京交通大学学报;2011年02期

2 王新颖;隽志才;吴庆妍;孙元;;KNN算法的数据优化策略[J];吉林大学学报(信息科学版);2010年03期

3 唐世星;;改进的支持向量机算法在短时交通流预测中的应用[J];承德石油高等专科学校学报;2012年01期

4 刘汉丽;周成虎;朱阿兴;李霖;;多子群遗传神经网络模型用于路口短时交通流量预测[J];测绘学报;2009年04期

5 温胜强;周鹏飞;康海贵;;基于灰色理论与BP神经网络的交通运输量组合预测研究[J];大连理工大学学报;2010年04期

6 杨际祥;谭国真;王凡;田珠;潘东;;实时交通流预测的并行SVR预测方法[J];大连理工大学学报;2010年06期

7 王建;邓卫;赵金宝;;基于改进型贝叶斯组合模型的短时交通流量预测[J];东南大学学报(自然科学版);2012年01期

8 翁剑成;荣建;任福田;魏中华;;基于非参数回归的快速路行程速度短期预测算法[J];公路交通科技;2007年03期

9 姚智胜;邵春福;熊志华;;支持向量机在路段行程时间预测中的应用研究[J];公路交通科技;2007年09期

10 孙占全;潘景山;张赞军;张立东;丁青艳;;基于主成分分析与支持向量机结合的交通流预测[J];公路交通科技;2009年05期

相关期刊论文前10条

1 姚智胜;邵春福;高永亮;;基于支持向量回归机的交通状态短时预测方法研究[J];北京交通大学学报;2006年03期

2 张莉,周伟达,焦李成;尺度核函数支撑矢量机[J];电子学报;2002年04期

3 况爱武,黄中祥;基于RBF神经网络的短时交通流预测[J];系统工程;2004年02期

4 盖春英,裴玉龙;自适应指数平滑模型预测区域经济研究[J];公路;2001年11期

5 刘静,关伟;交通流预测方法综述[J];公路交通科技;2004年03期

6 徐启华,丁兆奎;交通流量的递归神经网络实时预测模型研究[J];公路交通科技;2004年10期

7 赵建玉;贾磊;杨立才;朱文兴;;基于粒子群优化的RBF神经网络交通流预测[J];公路交通科技;2006年07期

8 杨兆升,谷远利;实时动态交通流预测模型研究[J];公路交通科技;1998年03期

9 邓志龙;李全;陈茜;;基于灰色系统理论的短时交通流预测[J];公路交通技术;2006年01期

10 吴小强,李鹏,曲卫民;智能交通系统研究回顾与展望[J];国外公路;2000年04期

相关期刊论文前10条

1 唐明,陈宝星,柳伍生;基于相空间重构的短时交通流分形研究[J];山东交通学院学报;2004年01期

2 华冬冬,陈森发;非线性短时交通流的一种神经网络预测方法[J];现代交通技术;2004年01期

3 田晶;杨玉珍;陈阳舟;;短时交通流量两种预测方法的研究[J];公路交通科技;2006年04期

4 蒋海峰;马瑞军;魏学业;温伟刚;;一种基于小数据量的快速识别短时交通流混沌特性的方法[J];铁道学报;2006年02期

5 蒋海峰;王鼎媛;张仲义;;短时交通流的非线性动力学特性[J];中国公路学报;2008年03期

6 李松;刘力军;郭海玲;;短时交通流混沌预测方法的比较[J];系统工程;2009年09期

7 许伦辉;唐德华;邹娜;夏新海;;基于非线性时间序列分析的短时交通流特性分析[J];重庆交通大学学报(自然科学版);2010年01期

8 李雁;陆海亭;张宁;;一种短时交通流异常数据识别新算法[J];公路交通科技(应用技术版);2010年04期

9 承向军;刘军;马敏书;;基于分形理论的短时交通流预测算法[J];交通运输系统工程与信息;2010年04期

10 张立;谢忠玉;陈凯;;基于混沌理论的短时交通流局域预测模型[J];黑龙江工程学院学报(自然科学版);2011年02期