本文選題：出行鏈模式 + 支持向量機(jī)�。� 參考：《Journal of Southeast University(English Edition)》2017年01期

【摘要】：為了提高交通需求預(yù)測(cè)精度,綜合考慮居民出行行為在時(shí)間維度上的分布,采用支持向量機(jī)、徑向基神經(jīng)網(wǎng)絡(luò)和多項(xiàng)logit三種方法,基于居民活動(dòng)目的,建立了出行鏈模式識(shí)別模型,并利用敏感性分析方法研究了解釋因素對(duì)出行鏈模式選擇的影響和對(duì)模型性能的貢獻(xiàn)程度.結(jié)果顯示:支持向量機(jī)模型在總體準(zhǔn)確度和分類準(zhǔn)確度上均優(yōu)于其他2種方法,體現(xiàn)了支持向量機(jī)在小樣本下的識(shí)別性能優(yōu)勢(shì);證明了支持向量機(jī)能夠較準(zhǔn)確地反映多分類因素對(duì)于出行鏈模式選擇行為的影響程度;因素對(duì)于不同出行鏈模式識(shí)別精度的貢獻(xiàn)度差異表明了細(xì)化出行鏈模式及探索各個(gè)模式特有影響因素的重要性.支持向量機(jī)技術(shù)在交通需求預(yù)測(cè)建模及影響因素分析方面均具有實(shí)踐意義.
[Abstract]:In order to improve the accuracy of traffic demand prediction, considering the distribution of travel behavior in time dimension, support vector machine (SVM), radial basis function neural network (RBF) and multi-item logit are adopted, which are based on the purpose of residents' activities.A trip chain pattern recognition model is established, and the influence of explanatory factors on trip chain pattern selection and its contribution to model performance are studied by sensitivity analysis.The results show that the support vector machine model is superior to the other two methods in the total accuracy and classification accuracy, which shows the superiority of support vector machine in small sample recognition.It is proved that support vector machine can accurately reflect the influence of multi-classification factors on the behavior of trip chain pattern selection.The difference in the contribution of factors to the recognition accuracy of different trip chain patterns indicates the importance of refining trip chain patterns and exploring the unique influencing factors of each pattern.Support vector machine (SVM) technology has practical significance in traffic demand forecasting modeling and factor analysis.
【作者單位】： 東南大學(xué)交通學(xué)院;
【基金】：The Fundamental Research Funds for the Central Universities,the Scientific Innovation Research of College Graduates in Jiangsu Province(No.KYLX_0177)
【分類號(hào)】：U491

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 葛海峰;林繼鵬;劉君華;丁暉;;基于支持向量機(jī)和小波分解的氣體識(shí)別研究[J];儀器儀表學(xué)報(bào);2006年06期

2 琚旭;王浩;姚宏亮;;支持向量機(jī)的一個(gè)邊界樣本修剪方法[J];合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年07期

3 張菁華;袁鑫;劉達(dá);;基于支持向量機(jī)的電力工程最優(yōu)投標(biāo)報(bào)價(jià)決策研究[J];山東電力高等�？茖W(xué)校學(xué)報(bào);2006年04期

4 張濤;段淑敏;;支持向量機(jī)在中醫(yī)疾病癥候診斷中的應(yīng)用[J];華北水利水電學(xué)院學(xué)報(bào);2007年03期

5 王晶;靳其兵;曹柳林;;面向多輸入輸出系統(tǒng)的支持向量機(jī)回歸[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年S2期

6 陳丹;;多類支持向量機(jī)算法的研究[J];東莞理工學(xué)院學(xué)報(bào);2007年05期

7 程麗麗;張健沛;馬駿;;一種改進(jìn)的加權(quán)邊界調(diào)節(jié)支持向量機(jī)算法[J];哈爾濱工程大學(xué)學(xué)報(bào);2007年10期

8 宋召青;崔和;胡云安;;支持向量機(jī)理論的研究與進(jìn)展[J];海軍航空工程學(xué)院學(xué)報(bào);2008年02期

9 郭濵;孫曉梅;薛明;;基于殼向量的邊界鄰近支持向量機(jī)[J];黑龍江交通科技;2008年12期

10 許超;運(yùn)士偉;舒云星;;基于支持向量機(jī)的混凝土測(cè)強(qiáng)換算模型[J];洛陽(yáng)理工學(xué)院學(xué)報(bào)(自然科學(xué)版);2008年02期

相關(guān)會(huì)議論文 前10條

1 余樂(lè)安;姚瀟;;基于中心化支持向量機(jī)的信用風(fēng)險(xiǎn)評(píng)估模型[A];第六屆（2011）中國(guó)管理學(xué)年會(huì)——商務(wù)智能分會(huì)場(chǎng)論文集[C];2011年

2 劉希玉;徐志敏;段會(huì)川;;基于支持向量機(jī)的創(chuàng)新分類器[A];山東省計(jì)算機(jī)學(xué)會(huì)2005年信息技術(shù)與信息化研討會(huì)論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機(jī)學(xué)習(xí)方法[A];全國(guó)第19屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集（下冊(cè)）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機(jī)的系統(tǒng)辨識(shí)方法研究及應(yīng)用[A];中國(guó)力學(xué)大會(huì)——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機(jī)方法的衢州降雪模型[A];第五屆長(zhǎng)三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機(jī)方法預(yù)測(cè)膜蛋白類型[A];第十一次中國(guó)生物物理學(xué)術(shù)大會(huì)暨第九屆全國(guó)會(huì)員代表大會(huì)摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機(jī)綜述[A];全國(guó)第十五屆計(jì)算機(jī)科學(xué)與技術(shù)應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學(xué)與支持向量機(jī)[A];2005年中國(guó)智能自動(dòng)化會(huì)議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機(jī)算法[A];2006中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];2006年

10 侯澍e，

本文編號(hào)：1753385