考虑时空多因素的城市道路短时交通流量预测的研究
发布时间：2021-12-01 19:40
城市道路短时交通流量预测是城市智能交通系统的重要环节,短时交通流量的变化具有很强的随机性和时效性,且影响因素众多,如何快速有效地分析影响因素与交通流量之间的关系是研究城市道路短时交通流量预测的关键问题。城市道路短时交通流量与时空关联的多种影响因素之间的关系不明确,本文提出了一种组合最小二乘支持向量机（Multi-group Least Squares Support Vector Machines,MLS-SVM）预测模型并应用于城市道路短时交通流量的定期离线预测,综合考虑时间、道路结构和周边环境多种影响因素,提升模型的预测精度。将标准化后的影响因素按数据源分组建立支持向量回归子模型来研究与交通流量之间的关系,降低特征维度的同时还可以独立考虑各类因素的影响效果,最后组合各子模型优化预测结果。采用实测数据集进行仿真实验,与单支持向量机预测模型、小波神经网络时间序列预测模型和多因素模式识别模型对比分析,仿真结果表明MLS-SVM预测模型的平均预测误差最小且超过45%时间段的预测误差最小,展现了 MLS-SVM预测模型在定期离线预测情景下的有效性和优越性。短时交通流量离线预测模型复杂度高且建...
【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
图２．１城市道路短时交通流量预测基本流程图??Ｆｉｇ?２．１?Ｂａｓｉｃ?ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ｓｈｏｒｔ－ｔｅｒｍ?ｕｒｂａｎ?ｔｒａｆｆｉｃ?ｆｌｏｗ?ｐｒｅｄｉｃｔｉｏｎ??
２．３短时预测模型??目前己有不少短时预测方法和模型，当然不存在一个模型是万能的，每种方??法都有着自身的优点和局限性。前人对短时预测问题的研宄大致可以归纳为图２．２??所展示的情况。??短时预测模型??非?乂??线?嚣工混??性?＾?智合??模?ｇ?能?模??型?＾?模型??生?型??／＾￣＼?￣＼?／?￣＼?／?￣￣?￣＼??方?小遗ｇ??历时状?小突混?神遗＆?波传＠??史间态?波变纯?经传ｇ?神神ｓ??平序空?理理?理?ｎ?ｎ?ｐ?经?经?ｇ??均?列?间…?论?论论…?络法告．．．网网?２…??模?模?模?模?桟?模?模?模?＾?络?络?＾??型型型?型型型?型型?＾?模模?＆??型?型型｜??图２．２短时预测模型分类图??Ｆｉｇ?２．２?Ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｄｉａｇｒａｍ?ｏｆ?ｓｈｏｒｔ－ｔｅｒｍ?ｐｒｅｄｉｃｔｉｏｎ?ｍｏｄｅｌ??下面介绍本文使用到的一些短时预测模型及其相关理论。??（１）支持向量机模型??支持向量机（Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅ，ＳＶＭ）是由?Ｃｏｒｉｎｎａ?Ｃｏｒｔｅｓ?和?Ｖａｐｎｉｋ?等??于１９９５年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特??有的优势，并能够推广应用到函数拟合等其他机器学习问题中。为了兼顾模型的??估计精度与泛化能力，在考虑经验风险的前提下最小化结构风险，同时引入损失??函数（估量预测值与真实值不一致的程度）来保证问题有解
人工神经网络（Ａｒｔｉｆｉｃｉａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ，简写为ＡＮＮｓ）也简称为神经网络??（ＮＮｓ），它模仿动物神经网络的行为特征，进行分布式并行信息处理的数学建模，??神经网络的拓扑结构图如图２．３所示。??人工神经网络具有自适应、自组织和自学习能力，可以分布式存储信息和并??行处理信息，还具有高度非线性、计算的非精度性和良好的容错性。人工神经网??络非线性映射能力强、泛化能力强，但在实际应用中也存在着一些缺陷，它存在??多个局部极小值点、收敛速度慢、网络结构设计难以统一等不足。因此，在实际??应用中只能靠经验和实验来确定神经网络模型，需要解决的问题不同，映射关系??也不同，网络的结构设计便存在不确定性。??１１??
【参考文献】：
期刊论文
[1]基于Hermite矩阵求逆的LSSVM在线预测算法研究[J]. 洪贝,姜学鹏,齐玉东,陈青华. 系统仿真学报. 2017(01)
[2]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)
[3]面向大数据分析的在线学习算法综述[J]. 李志杰,李元香,王峰,何国良,匡立. 计算机研究与发展. 2015(08)
[4]一种基于相关分析的局域最小二乘支持向量机小尺度网络流量预测算法[J]. 唐舟进,彭涛,王文博. 物理学报. 2014(13)
[5]基于组合预测模型的短时交通流预测[J]. 李颖宏,刘乐敏,王玉全. 交通运输系统工程与信息. 2013(02)
[6]基于均匀设计的最小二乘支持向量机改进算法[J]. 向昌盛,周子英,张林峰. 计算机仿真. 2011(03)
[7]基于时空分析的短时交通流量预测模型[J]. 夏英,梁中军,王国胤. 南京大学学报(自然科学版). 2010(05)
[8]多子群遗传神经网络模型用于路口短时交通流量预测[J]. 刘汉丽,周成虎,朱阿兴,李霖. 测绘学报. 2009(04)
[9]回归最小二乘支持向量机的增量和在线式学习算法[J]. 张浩然,汪晓东. 计算机学报. 2006(03)
博士论文
[1]车联网环境下交通信息采集与处理方法研究[D]. 周户星.吉林大学 2013
[2]基于最小二乘支持向量机的在线建模与控制方法研究[D]. 周欣然.湖南大学 2012
硕士论文
[1]基于车联网的短时交通流预测算法研究[D]. 林冬霞.华南理工大学 2015
[2]城市交叉口短时交通流预测模型与算法研究[D]. 郭沂鑫.兰州交通大学 2014
[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
本文编号：3526938
【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
图２．１城市道路短时交通流量预测基本流程图??Ｆｉｇ?２．１?Ｂａｓｉｃ?ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ｓｈｏｒｔ－ｔｅｒｍ?ｕｒｂａｎ?ｔｒａｆｆｉｃ?ｆｌｏｗ?ｐｒｅｄｉｃｔｉｏｎ??
２．３短时预测模型??目前己有不少短时预测方法和模型，当然不存在一个模型是万能的，每种方??法都有着自身的优点和局限性。前人对短时预测问题的研宄大致可以归纳为图２．２??所展示的情况。??短时预测模型??非?乂??线?嚣工混??性?＾?智合??模?ｇ?能?模??型?＾?模型??生?型??／＾￣＼?￣＼?／?￣＼?／?￣￣?￣＼??方?小遗ｇ??历时状?小突混?神遗＆?波传＠??史间态?波变纯?经传ｇ?神神ｓ??平序空?理理?理?ｎ?ｎ?ｐ?经?经?ｇ??均?列?间…?论?论论…?络法告．．．网网?２…??模?模?模?模?桟?模?模?模?＾?络?络?＾??型型型?型型型?型型?＾?模模?＆??型?型型｜??图２．２短时预测模型分类图??Ｆｉｇ?２．２?Ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｄｉａｇｒａｍ?ｏｆ?ｓｈｏｒｔ－ｔｅｒｍ?ｐｒｅｄｉｃｔｉｏｎ?ｍｏｄｅｌ??下面介绍本文使用到的一些短时预测模型及其相关理论。??（１）支持向量机模型??支持向量机（Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅ，ＳＶＭ）是由?Ｃｏｒｉｎｎａ?Ｃｏｒｔｅｓ?和?Ｖａｐｎｉｋ?等??于１９９５年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特??有的优势，并能够推广应用到函数拟合等其他机器学习问题中。为了兼顾模型的??估计精度与泛化能力，在考虑经验风险的前提下最小化结构风险，同时引入损失??函数（估量预测值与真实值不一致的程度）来保证问题有解
人工神经网络（Ａｒｔｉｆｉｃｉａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ，简写为ＡＮＮｓ）也简称为神经网络??（ＮＮｓ），它模仿动物神经网络的行为特征，进行分布式并行信息处理的数学建模，??神经网络的拓扑结构图如图２．３所示。??人工神经网络具有自适应、自组织和自学习能力，可以分布式存储信息和并??行处理信息，还具有高度非线性、计算的非精度性和良好的容错性。人工神经网??络非线性映射能力强、泛化能力强，但在实际应用中也存在着一些缺陷，它存在??多个局部极小值点、收敛速度慢、网络结构设计难以统一等不足。因此，在实际??应用中只能靠经验和实验来确定神经网络模型，需要解决的问题不同，映射关系??也不同，网络的结构设计便存在不确定性。??１１??
【参考文献】：
期刊论文
[1]基于Hermite矩阵求逆的LSSVM在线预测算法研究[J]. 洪贝,姜学鹏,齐玉东,陈青华. 系统仿真学报. 2017(01)
[2]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)
[3]面向大数据分析的在线学习算法综述[J]. 李志杰,李元香,王峰,何国良,匡立. 计算机研究与发展. 2015(08)
[4]一种基于相关分析的局域最小二乘支持向量机小尺度网络流量预测算法[J]. 唐舟进,彭涛,王文博. 物理学报. 2014(13)
[5]基于组合预测模型的短时交通流预测[J]. 李颖宏,刘乐敏,王玉全. 交通运输系统工程与信息. 2013(02)
[6]基于均匀设计的最小二乘支持向量机改进算法[J]. 向昌盛,周子英,张林峰. 计算机仿真. 2011(03)
[7]基于时空分析的短时交通流量预测模型[J]. 夏英,梁中军,王国胤. 南京大学学报(自然科学版). 2010(05)
[8]多子群遗传神经网络模型用于路口短时交通流量预测[J]. 刘汉丽,周成虎,朱阿兴,李霖. 测绘学报. 2009(04)
[9]回归最小二乘支持向量机的增量和在线式学习算法[J]. 张浩然,汪晓东. 计算机学报. 2006(03)
博士论文
[1]车联网环境下交通信息采集与处理方法研究[D]. 周户星.吉林大学 2013
[2]基于最小二乘支持向量机的在线建模与控制方法研究[D]. 周欣然.湖南大学 2012
硕士论文
[1]基于车联网的短时交通流预测算法研究[D]. 林冬霞.华南理工大学 2015
[2]城市交叉口短时交通流预测模型与算法研究[D]. 郭沂鑫.兰州交通大学 2014
[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
本文编号：3526938
本文链接：https://www.wllwen.com/kejilunwen/jiaotonggongchenglunwen/3526938.html
