本文選題：智能交通　切入點(diǎn)：變量選擇　出處：《交通運(yùn)輸系統(tǒng)工程與信息》2017年01期

【摘要】：目前,很多短時(shí)交通流預(yù)測(cè)方法僅利用某一路段歷史數(shù)據(jù)的時(shí)間相關(guān)性或者道路上下游路段的時(shí)空相關(guān)性進(jìn)行交通流預(yù)測(cè),未充分考慮路網(wǎng)所有路段之間的時(shí)空相關(guān)性.提出了一種基于稀疏混合遺傳算法優(yōu)化的最小二乘支持向量回歸(LSSVR)模型,并應(yīng)用于路網(wǎng)短時(shí)交通流預(yù)測(cè).該預(yù)測(cè)模型不僅可以自動(dòng)優(yōu)化LSSVR模型參數(shù),而且可以從高維路網(wǎng)交通流數(shù)據(jù)中選擇有助于交通流預(yù)測(cè)的變量子集.實(shí)驗(yàn)結(jié)果表明,與LSSVR模型相比,所提方法具有更好的預(yù)測(cè)能力;而且,少量時(shí)空變量被選擇出來(lái)構(gòu)建預(yù)測(cè)模型,極大減少了信息冗余,改進(jìn)了模型可解釋性.
[Abstract]:At present, many short-term traffic flow forecasting methods only use the temporal correlation of historical data of a section or the temporal and spatial correlation of upstream and downstream sections of the road to carry out traffic flow prediction. A least squares support vector regression (LSSVR) model based on sparse hybrid genetic algorithm is proposed, which does not fully consider the temporal and spatial correlation among all sections of the road network. The model can not only optimize the parameters of LSSVR model automatically, but also select a subset of variables from the traffic flow data of high-dimensional road network. The experimental results show that the proposed model can be used to predict traffic flow in short time. Compared with the LSSVR model, the proposed method has better prediction capability, and a small number of spatio-temporal variables are selected to construct the prediction model, which greatly reduces the information redundancy and improves the interpretability of the model.
【作者單位】： 江蘇大學(xué)汽車工程研究院;江蘇大學(xué)汽車與交通工程學(xué)院;
【基金】：國(guó)家自然科學(xué)基金(51108209,61203244,61403172,61573171) 交通運(yùn)輸部信息化項(xiàng)目(2013-364-836-900) 中國(guó)博士后科學(xué)基金(2015T80511,2014M561592) 江蘇大學(xué)高級(jí)人才科研啟動(dòng)基金(14JDG066) 福建省信息處理與智能控制重點(diǎn)實(shí)驗(yàn)室(閩江學(xué)院)(MJUKF201724)~~
【分類號(hào)】：U491.14

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 偶昌寶,俞亞南;短時(shí)交通流預(yù)測(cè)的多層遞階方法[J];城市道橋與防洪;2004年05期

2 高麗梅;高鵬;陳俊波;;數(shù)據(jù)融合技術(shù)在短時(shí)交通流預(yù)測(cè)中的應(yīng)用[J];交通科技;2010年S1期

3 唐世星;;改進(jìn)的支持向量機(jī)算法在短時(shí)交通流預(yù)測(cè)中的應(yīng)用[J];承德石油高等�？茖W(xué)校學(xué)報(bào);2012年01期

4 王嬌;李軍;;最小最大概率回歸機(jī)在短時(shí)交通流預(yù)測(cè)中的應(yīng)用[J];公路交通科技;2014年02期

5 賀國(guó)光,李宇,馬壽峰;基于數(shù)學(xué)模型的短時(shí)交通流預(yù)測(cè)方法探討[J];系統(tǒng)工程理論與實(shí)踐;2000年12期

6 宗春光,宋靖雁,任江濤,胡堅(jiān)明;基于相空間重構(gòu)的短時(shí)交通流預(yù)測(cè)研究[J];公路交通科技;2003年04期

7 楊世堅(jiān),賀國(guó)光;基于模糊C均值聚類和神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)方法[J];系統(tǒng)工程;2004年08期

8 王進(jìn);史其信;;短時(shí)交通流預(yù)測(cè)模型綜述[J];中國(guó)公共安全(學(xué)術(shù)卷);2005年01期

9 楊芳明;朱順應(yīng);;基于小波的短時(shí)交通流預(yù)測(cè)[J];重慶交通學(xué)院學(xué)報(bào);2006年03期

10 鄧志龍;李全;陳茜;;基于灰色系統(tǒng)理論的短時(shí)交通流預(yù)測(cè)[J];公路交通技術(shù);2006年01期

相關(guān)會(huì)議論文 前4條

1 鄭德署;何世偉;許旺土;;分形理論在短時(shí)交通流預(yù)測(cè)中的應(yīng)用[A];2008第四屆中國(guó)智能交通年會(huì)論文集[C];2008年

2 唐麗娜;張衛(wèi)華;;短時(shí)交通流預(yù)測(cè)方法的比較研究[A];2007第三屆中國(guó)智能交通年會(huì)論文集[C];2007年

3 于建玲;商朋見(jiàn);關(guān)積珍;;改進(jìn)的相空間重構(gòu)方法在短時(shí)交通流預(yù)測(cè)中的應(yīng)用[A];2008第四屆中國(guó)智能交通年會(huì)論文集[C];2008年

4 楊錦偉;肖新平;郭金海;;基于灰關(guān)聯(lián)與少數(shù)據(jù)云推理的短時(shí)交通流預(yù)測(cè)[A];第25屆全國(guó)灰色系統(tǒng)會(huì)議論文集[C];2014年

相關(guān)博士學(xué)位論文 前1條

1 姚智勝;基于實(shí)時(shí)數(shù)據(jù)的道路網(wǎng)短時(shí)交通流預(yù)測(cè)理論與方法研究[D];北京交通大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 高為;基于數(shù)據(jù)挖掘和數(shù)據(jù)融合的短時(shí)交通流預(yù)測(cè)研究[D];重慶交通大學(xué);2011年

2 齊霖;基于支持向量機(jī)回歸的短時(shí)交通流預(yù)測(cè)與系統(tǒng)實(shí)現(xiàn)[D];東北大學(xué);2013年

3 邱世崇;基于時(shí)空特性的城市道路短時(shí)交通流預(yù)測(cè)研究[D];重慶交通大學(xué);2015年

4 沈小峰;交通流量短時(shí)預(yù)測(cè)的算法研究[D];浙江工業(yè)大學(xué);2015年

5 江小燕;短時(shí)交通流預(yù)測(cè)方法研究[D];揚(yáng)州大學(xué);2015年

6 楊慧慧;城市交通流短時(shí)預(yù)測(cè)模型研究[D];河南理工大學(xué);2015年

7 王鵬;基于嵌入式系統(tǒng)的城市智能交通控制器研究[D];遼寧科技大學(xué);2016年

8 羅婷;模擬退火混沌粒子群算法在短時(shí)交通流預(yù)測(cè)中的應(yīng)用[D];西南交通大學(xué);2016年

9 黃曉慧;基于布谷鳥(niǎo)算法的小波神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)研究[D];西南交通大學(xué);2016年

10 褚鵬宇;融合時(shí)空信息的短時(shí)交通流預(yù)測(cè)[D];西南交通大學(xué);2016年

，

本文編號(hào)：1678968