城市交通路口短时流量预测模型研究
发布时间：2021-04-04 04:45
在智能交通控制和车辆诱导研究领域中,短时交通中的交通流量预测技术具有重大研究意义。短时交通流预测通常是指基于获取到的交通数据针对未来15mi n内的预测,这对在交通控制和诱导中提高实时性方面有很大作用。智能交通系统中比较关键的一点就是对交通流实时、动态和精准地预测,以提高城市交通管理和运行效率,这也是为什么短时交通预测会成为当前智能交通系统重要研究内容的原因。另外短时交通流量的预测时间跨度相对较短,交通数据的变化有时并没有太强的规律,各种干扰噪声对交通流预测会产生较大的影响,这些无疑导致了短时交通流预测的发展在当前具有很大的挑战性。论文首先分析了国内外对城市交通中短时交通流研究的主要模型方法,并分析了短时交通中的交通特点,在利用获得的交通数据基础上,希望找出交通流量数据中潜在的规律性。为此,在分析对比了多种回归预测方法的优缺点后使用了支持向量回归机的方法来进行预测研究;其次,针对支持向量回归机的方法中如何寻找最优参数的问题,论文使用了粒子群这种智能群体寻优算法来更新模型中的参数,并针对粒子群本身存在可能陷入局部最优解以及后期震荡问题进行了改进;同时考虑到使用改进的粒子群优化支持向量回归...
【文章来源】：昆明理工大学云南省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
样本分类示意图
图 3-2 支持向量回归机结构图在 SVR 的推导计算后，最后 SVR 的分类函数是通过将输入的未知的数据向个支持向量的内积，因此对 SVR 回归计算的复杂度仅仅是由支持向量的个定的。.3 松弛变量在解决实际的样本数据中，会有各种原因产生，使得很多时候不是所有的可以像线性可分那样简单，在一些情况下会有不能进行线性分离的点出现数据点可以称之为“离群点”[38]。对数据样本中，我们将间隔最小的点设定其间隔为 1，同时加入新的变量变量ξ，则式（3.1）可改写为如下：(( ))1- iy x b ii 1,2,...,m（3.1公式（3.13）中，引入的变量ξ≥0，通过约束条件进行计算是允许其小于然而若有一数据点间隔小于 1 的话，实际上是很难被准确分类，则目标函
aCimayyyaaxxaijNiNjijijjNjij01,2,3,...,s.t.0(,)21mini1i1,11格朗日方程，并给出分类决策函数：f()sgn((,))1xayxxbiNiii 数题利用超平面分类可以很好解决，对非线性的情况则行不标轴中横轴（X 轴）a、b 之间即红色部分视为一个正类别分视作一个负类。那么可以发现通过线性方法无法将两类图中的蓝色曲线可以将两类别完美分开。
【参考文献】：
期刊论文
[1]信息时代大数据在智能交通系统中的应用研究[J]. 张昆,崔容容. 城市建设理论研究(电子版). 2017(34)
[2]以中山为例解析广东智慧城市建设[J]. 张梓萱. 中国公共安全. 2017(Z1)
[3]浅析智能交通系统[J]. 张琪. 中国新技术新产品. 2016(20)
[4]改进粒子群算法优化的支持向量机及其应用[J]. 王振武,孙佳骏,尹成峰. 哈尔滨工程大学学报. 2016(12)
[5]基于组合模型的短时交通流量预测算法[J]. 芮兰兰,李钦铭. 电子与信息学报. 2016(05)
[6]短时交通流组合模型预测[J]. 沈国江,朱芸,钱晓杰,胡越. 南京理工大学学报. 2014(02)
[7]最小最大概率回归机在短时交通流预测中的应用[J]. 王娇,李军. 公路交通科技. 2014(02)
[8]基于混沌理论的短期交通流量多步预测[J]. 贾显超,陈旭梅,弓晋丽,张溪,郭淑霞. 交通信息与安全. 2013(06)
[9]基于指数平滑和马尔可夫链的短时交通流量预测[J]. 李军怀,高瞻,王志晓,张璟. 计算机系统应用. 2013(12)
[10]小波消噪的神经网络短时交通流量预测模型[J]. 于振洋. 计算机仿真. 2012(09)
硕士论文
[1]基于支持向量回归的短时交通流预测方法研究与应用[D]. 武琼.长安大学 2016
[2]基于高斯过程回归的锂电池数据处理[D]. 叶婧.北京交通大学 2016
[3]基于小波分析和遗传神经网络的短时城市交通流量预测研究[D]. 李波.北京交通大学 2012
[4]基于SVM的交通流短时预测方法研究[D]. 贾勇兵.西南交通大学 2012
[5]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]. 华冬冬.东南大学 2005
本文编号：3117755
【文章来源】：昆明理工大学云南省
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
样本分类示意图
图 3-2 支持向量回归机结构图在 SVR 的推导计算后，最后 SVR 的分类函数是通过将输入的未知的数据向个支持向量的内积，因此对 SVR 回归计算的复杂度仅仅是由支持向量的个定的。.3 松弛变量在解决实际的样本数据中，会有各种原因产生，使得很多时候不是所有的可以像线性可分那样简单，在一些情况下会有不能进行线性分离的点出现数据点可以称之为“离群点”[38]。对数据样本中，我们将间隔最小的点设定其间隔为 1，同时加入新的变量变量ξ，则式（3.1）可改写为如下：(( ))1- iy x b ii 1,2,...,m（3.1公式（3.13）中，引入的变量ξ≥0，通过约束条件进行计算是允许其小于然而若有一数据点间隔小于 1 的话，实际上是很难被准确分类，则目标函
aCimayyyaaxxaijNiNjijijjNjij01,2,3,...,s.t.0(,)21mini1i1,11格朗日方程，并给出分类决策函数：f()sgn((,))1xayxxbiNiii 数题利用超平面分类可以很好解决，对非线性的情况则行不标轴中横轴（X 轴）a、b 之间即红色部分视为一个正类别分视作一个负类。那么可以发现通过线性方法无法将两类图中的蓝色曲线可以将两类别完美分开。
【参考文献】：
期刊论文
[1]信息时代大数据在智能交通系统中的应用研究[J]. 张昆,崔容容. 城市建设理论研究(电子版). 2017(34)
[2]以中山为例解析广东智慧城市建设[J]. 张梓萱. 中国公共安全. 2017(Z1)
[3]浅析智能交通系统[J]. 张琪. 中国新技术新产品. 2016(20)
[4]改进粒子群算法优化的支持向量机及其应用[J]. 王振武,孙佳骏,尹成峰. 哈尔滨工程大学学报. 2016(12)
[5]基于组合模型的短时交通流量预测算法[J]. 芮兰兰,李钦铭. 电子与信息学报. 2016(05)
[6]短时交通流组合模型预测[J]. 沈国江,朱芸,钱晓杰,胡越. 南京理工大学学报. 2014(02)
[7]最小最大概率回归机在短时交通流预测中的应用[J]. 王娇,李军. 公路交通科技. 2014(02)
[8]基于混沌理论的短期交通流量多步预测[J]. 贾显超,陈旭梅,弓晋丽,张溪,郭淑霞. 交通信息与安全. 2013(06)
[9]基于指数平滑和马尔可夫链的短时交通流量预测[J]. 李军怀,高瞻,王志晓,张璟. 计算机系统应用. 2013(12)
[10]小波消噪的神经网络短时交通流量预测模型[J]. 于振洋. 计算机仿真. 2012(09)
硕士论文
[1]基于支持向量回归的短时交通流预测方法研究与应用[D]. 武琼.长安大学 2016
[2]基于高斯过程回归的锂电池数据处理[D]. 叶婧.北京交通大学 2016
[3]基于小波分析和遗传神经网络的短时城市交通流量预测研究[D]. 李波.北京交通大学 2012
[4]基于SVM的交通流短时预测方法研究[D]. 贾勇兵.西南交通大学 2012
[5]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]. 华冬冬.东南大学 2005
本文编号：3117755
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3117755.html
