【摘要】：為了提高短期交通流預(yù)測(cè)精度,尋求最優(yōu)交通流分組策略,通過(guò)對(duì)短期歷史交通流量數(shù)據(jù)的分析,運(yùn)用遺傳算法優(yōu)化支持向量回歸機(jī)的懲罰參數(shù)、核函數(shù)參數(shù)和不敏感損失函數(shù)3個(gè)參數(shù),構(gòu)建了GA-SVR模型。首先對(duì)采集的數(shù)據(jù)采用算術(shù)平均值進(jìn)行了降噪處理,然后根據(jù)交通數(shù)據(jù)特征分為連續(xù)5個(gè)星期五時(shí)間、相鄰前5個(gè)工作日和當(dāng)天3種時(shí)間周期序列,通過(guò)不同時(shí)間周期序列確定了最優(yōu)的訓(xùn)練樣本集。最后結(jié)合采集的數(shù)據(jù)進(jìn)行了驗(yàn)證,并且與傳統(tǒng)SVR模型進(jìn)行了精度對(duì)比。結(jié)果表明:GA-SVR模型預(yù)測(cè)精度優(yōu)于傳統(tǒng)SVR模型,且基于當(dāng)天數(shù)據(jù)構(gòu)建的訓(xùn)練樣本集總體預(yù)測(cè)精度最高。
[Abstract]:In order to improve the accuracy of short-term traffic flow prediction and to find the optimal traffic flow grouping strategy, genetic algorithm is used to optimize the penalty parameters of support vector regression machine through the analysis of short-term historical traffic flow data. GA-SVR model is constructed by kernel function parameter and insensitive loss function. Firstly, the arithmetic average is used to reduce the noise of the collected data, and then according to the characteristics of traffic data, the data are divided into five consecutive Friday times, the first five working days and three periods of the same day. The optimal training sample set is determined by different time series. Finally, the collected data are verified and compared with the traditional SVR model. The results show that the prediction accuracy of the GA-SVR model is better than that of the traditional SVR model, and the training sample set constructed on the same day has the highest prediction accuracy.
【作者單位】： 中國(guó)石油大學(xué)(華東)地球科學(xué)與技術(shù)學(xué)院;青島市黃島區(qū)國(guó)土資源和房屋管理局;
【基金】：中央高�；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金項(xiàng)目(11CX04012A) 山東省自然科學(xué)基金項(xiàng)目(ZR2015DL004) 江蘇省海洋動(dòng)力與聲學(xué)重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金項(xiàng)目(KHYS1402) 研究生創(chuàng)新工程資助項(xiàng)目(YCXJ2016008)
【分類號(hào)】：U491.14

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 宋金華,魏連雨;新(改)建高速公路的交通流量構(gòu)成及增長(zhǎng)分析[J];內(nèi)蒙古公路與運(yùn)輸;1999年01期

2 張曉春,高作剛;用于交通流量修補(bǔ)的統(tǒng)計(jì)分析方法研究[J];武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版);2004年06期

3 何龍燕;;利用超聲波技術(shù)檢測(cè)交通流量[J];黑龍江科技信息;2007年08期

4 首艷芳;徐建閩;李紅杰;;中國(guó)南部交通流量預(yù)測(cè)模型研究(英文)[J];科學(xué)技術(shù)與工程;2008年11期

5 張勇;關(guān)偉;;預(yù)測(cè)交通流量時(shí)間序列的組合動(dòng)態(tài)建模方法[J];吉林大學(xué)學(xué)報(bào)(工學(xué)版);2010年05期

6 康維新;楊文彬;李鵬;盛卓;姜澎;劉紹云;;交通流量遠(yuǎn)程發(fā)布系統(tǒng)設(shè)計(jì)[J];哈爾濱理工大學(xué)學(xué)報(bào);2012年05期

7 王繼彩;改革包車(chē)制度 減少交通流量[J];交通與運(yùn)輸;1994年06期

8 丁宣明;增加交通流量的對(duì)策[J];交通與運(yùn)輸;1997年02期

9 朱中,楊兆升;實(shí)時(shí)交通流量人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型[J];中國(guó)公路學(xué)報(bào);1998年04期

10 賈顯超;陳旭梅;弓晉麗;張溪;郭淑霞;;基于混沌理論的短期交通流量多步預(yù)測(cè)[J];交通信息與安全;2013年06期

相關(guān)會(huì)議論文 前6條

1 楊文;張志敏;萬(wàn)浩;;一種改進(jìn)的短期交通流量多步預(yù)測(cè)模型[A];轉(zhuǎn)型與重構(gòu)——2011中國(guó)城市規(guī)劃年會(huì)論文集[C];2011年

2 谷遠(yuǎn)利;余惠華;;動(dòng)態(tài)交通流量預(yù)測(cè)方法研究[A];可持續(xù)發(fā)展的中國(guó)交通——2005全國(guó)博士生學(xué)術(shù)論壇（交通運(yùn)輸工程學(xué)科）論文集（上冊(cè)）[C];2005年

3 斯文駿;郭曉澤;宋國(guó)杰;吳峻;謝昆青;;一種新建道路對(duì)高速公路網(wǎng)交通流量影響的分析方法[A];第八屆中國(guó)智能交通年會(huì)優(yōu)秀論文集——智能交通與安全[C];2013年

4 陳迎迎;楊永耀;吳昊e，

本文編號(hào)：2400519