基于支持向量回归的短时交通流预测方法研究与应用

发布时间：2017-08-07 08:11

  本文关键词：基于支持向量回归的短时交通流预测方法研究与应用

  更多相关文章： 交通流预测 支持向量机 参数选择 遗传算法 粒子群优化算法

【摘要】：短时交通流预测技术属于智能交通控制和车辆诱导的重要研究领域,在实际工程运用中,它作为智能交通领域非常重要的基础理论,通过对交通流分析和预测,可以帮助城市进行智能交通的诱导工作,使得用户选择最优的路径。支持向量机在面对过学习与欠学习问题、局部极小点问题、小样本等机器学习的研究所遇到的传统的困难能够较好的解决,因此可以用在短时交通流回归预测这一课题的研究中。本文以基于支持向量回归的短时交通流预测方法研究与应用为题,在交通流数据分析的基础上,对短时交通流预测的方法和理论进行了深入探讨和研究,并且根据实际交通流数据搭建支持向量回归预测模型,具有实际的应用可行性。主要工作如下:(1)通过对交通流数据的分析和对错误及缺失数据的识别和处理,减少噪声对预测过程的影响,并为下一步的交通流预测模型的建立奠定基础;(2)根据支持向量机的基本原理,研究并采用基于支持向量回归的短时交通流预测模型,并与BP神经网络的仿真结果进行对比,实验证明,支持向量机回归模型是一种可行的、有效的交通流预测模型,在短时交通流预测中,其性能优于BP神经网络模型。(3)对支持向量机参数选择优化模型进行了研究。支持向量的惩罚系数、核函数参数的优化选择对回归模型的学习精度和推广能力的好坏起着重要的作用。本文使用传统粒子群优化算法,对支持向量回归参数寻优;并结合遗传算法,采用一种改进的粒子群优化算法对支持向量机参数模型进行优化,有效地改善了短时交通流的预测精度。(4)利用短时交通流信号SVR预测的研究结论,在ThinkPHP框架下设计并完成了针对西安市的短时交通流动态预测系统的开发。
【关键词】：交通流预测 支持向量机 参数选择 遗传算法 粒子群优化算法
【学位授予单位】：长安大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：U491.14;TP18
【目录】：

• 摘要4-5
• Abstract5-9
• 第一章 绪论9-15
• 1.1 研究的背景9-10
• 1.2 交通流预测的基本方法10-11
• 1.3 国内外研究现状11-13
• 1.3.1 国外研究现状11-12
• 1.3.2 国内研究现状12-13
• 1.4 研究的目的和意义13
• 1.5 研究内容和方法13-14
• 1.6 本章小结14-15
• 第二章 交通数据流分析15-25
• 2.1 交通流基本理论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 交通流信息采集技术17-21
• 2.2.1 移动型交通流信息采集技术17-18
• 2.2.2 固定型交通流信息采集技术18-19
• 2.2.3 数据来源19-21
• 2.3 短时交通流数据的预处理技术21-23
• 2.3.1 交通流丢失及错误数据的识别和处理21-22
• 2.3.2 交通流数据的降噪处理22-23
• 2.4 归一化23-24
• 2.5 本章小结24-25
• 第三章 支持向量回归的交通流预测模型25-37
• 3.1 支持向量机的理论基础25-27
• 3.1.1 学习问题的描述25-26
• 3.1.2 经验风险最小化26
• 3.1.3 推广性的界理论26-27
• 3.1.4 结构风险最小化27
• 3.2 支持向量回归27-31
• 3.2.1 线性分类器27-28
• 3.2.2 最有分类面28-29
• 3.2.3 松弛变量29-30
• 3.2.4 核函数30-31
• 3.3 自适应的参数选择31-32
• 3.4 支持向量回归预测模型32-33
• 3.5 实证性研究33-36
• 3.5.1 数据来源及计算结果33-34
• 3.5.2 计算结果评价34-36
• 3.6 本章小结36-37
• 第四章 支持向量回归参数优化37-47
• 4.1 传统粒子群优化算法37-41
• 4.1.1 粒子群优化算法的相关理论37-39
• 4.1.2 粒子群优化算法进行支持向量回归参数优化39-40
• 4.1.3 粒子群优化算法实证性研究40-41
• 4.2 改进的粒子群优化算法41-45
• 4.2.1 遗传算法相关理论41-42
• 4.2.2 遗传算法和粒子群算法的优劣比较42-43
• 4.2.3 改进的粒子群优化算法43-44
• 4.2.4 实证性研究44-45
• 4.3 本章小结45-47
• 第五章 城市道路短时交通流预测系统设计与实现47-54
• 5.1 短时交通流预测系统设计47-51
• 5.1.1 短时交通流预测系统的主要功能47-51
• 5.2 基于百度地图的预测结果实时显示51-53
• 5.2.1 百度地图API51
• 5.2.2 Java Script51-52
• 5.2.3 功能实现52-53
• 5.2.4 显示结果53
• 5.3 本章小结53-54
• 总结与展望54-56
• 创新点54-55
• 展望55-56
• 参考文献56-59
• 攻读学位期间取得的研究成果59-60
• 致谢60

【相似文献】

中国期刊全文数据库 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

中国重要会议论文全文数据库 前2条

1 翁小雄;翦俊;;短时交通流频谱分析与预测[A];第二十六届中国控制会议论文集[C];2007年

2 张利;李星毅;施化吉;;一种基于ARIMA模型的短时交通流量改进预测算法[A];2007第三届中国智能交通年会论文集[C];2007年

中国重要报纸全文数据库 前1条

1 本报记者 李婵;交通拥堵为何预测不准[N];北京科技报;2010年

中国博士学位论文全文数据库 前2条

1 郭欢;基于灰理论的短时交通流动力学建模预测与优化研究[D];武汉理工大学;2013年

2 张晓利;基于非参数回归的短时交通流量预测方法研究[D];天津大学;2007年

中国硕士学位论文全文数据库 前10条

1 喻丹;基于小波理论的短时交通流预测方法研究[D];长沙理工大学;2008年

2 谢生龙;城市道路短时交通流动态预测方法研究与应用[D];长安大学;2015年

3 胡浩然;基于Hadoop平台的短时交通流预测算法研究[D];华南理工大学;2016年

4 符义琴;短时交通流分析及预测[D];南京信息工程大学;2016年

5 陈功;数据挖掘技术在智慧交通中的应用[D];电子科技大学;2016年

6 韦凌翔;基于RVM和ARIMA的短时交通流量预测方法研究[D];长安大学;2016年

7 武琼;基于支持向量回归的短时交通流预测方法研究与应用[D];长安大学;2016年

8 卓卉;基于混沌理论的短时交通流预测方法研究[D];北京交通大学;2008年

9 唐明;短时交通流特性及其预测方法的研究[D];长沙理工大学;2004年

10 华冬冬;短时交通流的混沌性分析及其基于神经网络的预测模型研究[D];东南大学;2005年

，

本文编号：633626