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

【摘要】：為了提高交通需求預測精度,綜合考慮居民出行行為在時間維度上的分布,采用支持向量機、徑向基神經網絡和多項logit三種方法,基于居民活動目的,建立了出行鏈模式識別模型,并利用敏感性分析方法研究了解釋因素對出行鏈模式選擇的影響和對模型性能的貢獻程度.結果顯示:支持向量機模型在總體準確度和分類準確度上均優(yōu)于其他2種方法,體現了支持向量機在小樣本下的識別性能優(yōu)勢;證明了支持向量機能夠較準確地反映多分類因素對于出行鏈模式選擇行為的影響程度;因素對于不同出行鏈模式識別精度的貢獻度差異表明了細化出行鏈模式及探索各個模式特有影響因素的重要性.支持向量機技術在交通需求預測建模及影響因素分析方面均具有實踐意義.
[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】： 東南大學交通學院;
【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】：U491

【相似文獻】

相關期刊論文 前10條

1 葛海峰;林繼鵬;劉君華;丁暉;;基于支持向量機和小波分解的氣體識別研究[J];儀器儀表學報;2006年06期

2 琚旭;王浩;姚宏亮;;支持向量機的一個邊界樣本修剪方法[J];合肥工業(yè)大學學報(自然科學版);2006年07期

3 張菁華;袁鑫;劉達;;基于支持向量機的電力工程最優(yōu)投標報價決策研究[J];山東電力高等�？茖W校學報;2006年04期

4 張濤;段淑敏;;支持向量機在中醫(yī)疾病癥候診斷中的應用[J];華北水利水電學院學報;2007年03期

5 王晶;靳其兵;曹柳林;;面向多輸入輸出系統(tǒng)的支持向量機回歸[J];清華大學學報(自然科學版);2007年S2期

6 陳丹;;多類支持向量機算法的研究[J];東莞理工學院學報;2007年05期

7 程麗麗;張健沛;馬駿;;一種改進的加權邊界調節(jié)支持向量機算法[J];哈爾濱工程大學學報;2007年10期

8 宋召青;崔和;胡云安;;支持向量機理論的研究與進展[J];海軍航空工程學院學報;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[J];黑龍江交通科技;2008年12期

10 許超;運士偉;舒云星;;基于支持向量機的混凝土測強換算模型[J];洛陽理工學院學報(自然科學版);2008年02期

相關會議論文 前10條

1 余樂安;姚瀟;;基于中心化支持向量機的信用風險評估模型[A];第六屆（2011）中國管理學年會——商務智能分會場論文集[C];2011年

2 劉希玉;徐志敏;段會川;;基于支持向量機的創(chuàng)新分類器[A];山東省計算機學會2005年信息技術與信息化研討會論文集（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學習方法[A];全國第19屆計算機技術與應用（CACIS）學術會議論文集（下冊）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機的系統(tǒng)辨識方法研究及應用[A];中國力學大會——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機方法的衢州降雪模型[A];第五屆長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方法預測膜蛋白類型[A];第十一次中國生物物理學術大會暨第九屆全國會員代表大會摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機綜述[A];全國第十五屆計算機科學與技術應用學術會議論文集[C];2003年

8 周星宇;王思元;;智能數學與支持向量機[A];2005年中國智能自動化會議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機算法[A];2006中國控制與決策學術年會論文集[C];2006年

10 侯澍e，

本文編號：1753385