【摘要】：實時準確的交通流預(yù)測是實現(xiàn)智能交通誘導(dǎo)的前提和關(guān)鍵,也是智能交通系統(tǒng)的主要組成部分。早期研究人員利用微積分和概率論等基本數(shù)學(xué)工具開發(fā)了幾種基本的短時交通流預(yù)測模型,這些模型主要包括趨勢外推法、時間序列法、回歸分析法等。然而,城市道路交通系統(tǒng)是一個有人參與的非平穩(wěn)隨機系統(tǒng),具有時空相關(guān)性、非線性等特點。天氣情況、駕駛員狀態(tài)、突發(fā)性事件等都會對交通系統(tǒng)的性能產(chǎn)生影響,因此傳統(tǒng)的方法預(yù)測效果并不理想,這使得人工智能理論越來越受到人們的關(guān)注。 支持向量回歸機(SVR)是一種基于統(tǒng)計理論的新興機器學(xué)習(xí)方法。它堅持結(jié)構(gòu)風(fēng)險最小化的構(gòu)建原則,能夠在小樣本學(xué)習(xí)環(huán)境下有效解決非線性復(fù)雜系統(tǒng)的擬合問題,在短時交通流預(yù)測中表現(xiàn)出了優(yōu)越的性能。大量實驗表明,其預(yù)測精度相對于神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)線性預(yù)測方法具有明顯的優(yōu)勢。本文分析了參數(shù)選擇對支持向量回歸機性能的影響以及不同參數(shù)優(yōu)化算法的優(yōu)劣勢,在此基礎(chǔ)上選擇模擬退火算法(SA)對SVR的參數(shù)行進優(yōu)化,進而提出了基于SA-SVR的短時交通流預(yù)測模型。該模型將支持向量回歸機的結(jié)構(gòu)風(fēng)險最小化特點和模擬退火算法的快速全局尋優(yōu)優(yōu)勢相結(jié)合,在實時性和精度兩個方面達到了短時交通流預(yù)測的要求。實驗表明,該預(yù)測模型的平均相對預(yù)測誤差為4.96%,最大相對預(yù)測誤差為9.81%。 隨著訓(xùn)練樣本規(guī)模的增大,傳統(tǒng)SVR訓(xùn)練算法的時間和空間復(fù)雜度急劇增加,以至于這些算法的單機實現(xiàn)在具體應(yīng)用中往往會失效。本文從“迭代”和“并行”兩個角度詳細闡述了解決這一問題的具體算法,并將MapReduce分布式處理框架與大規(guī)模SVR訓(xùn)練算法的“迭代”思想相結(jié)合,提出了Hadoop環(huán)境下大規(guī)模SVR訓(xùn)練算法,進而構(gòu)建了Hadoop環(huán)境下SA-SVR短時交通流預(yù)測模型,在保證預(yù)測精度的情況下進一步提高了短時交通流預(yù)測的實時性。實驗表明,在訓(xùn)練樣本數(shù)量為100000的情況下,該并行算法相對單機算法的加速比達到了16.03,平均相對預(yù)測誤差為5.20%,最大相對預(yù)測誤差為10.70%。
【圖文】：

以分為：統(tǒng)計理論模型、非線性理論模型、智能理論模型、微觀交通仿真模型和混合模型[4]，，詳細分類如圖1.1所示。交通流預(yù)測統(tǒng)計理論I I智能模型 非線性理論 交通仿真 混合模型I ^i TI ill I I I I rnf § t I _神 <]、分i I ill平序 i f 經(jīng) 波型純變 分? i 方性均列 ra p

本文編號：2582913