在智能交通控制和車輛誘導研究領域中,短時交通中的交通流量預測技術具有重大研究意義。短時交通流預測通常是指基于獲取到的交通數據針對未來15mi n內的預測,這對在交通控制和誘導中提高實時性方面有很大作用。智能交通系統(tǒng)中比較關鍵的一點就是對交通流實時、動態(tài)和精準地預測,以提高城市交通管理和運行效率,這也是為什么短時交通預測會成為當前智能交通系統(tǒng)重要研究內容的原因。另外短時交通流量的預測時間跨度相對較短,交通數據的變化有時并沒有太強的規(guī)律,各種干擾噪聲對交通流預測會產生較大的影響,這些無疑導致了短時交通流預測的發(fā)展在當前具有很大的挑戰(zhàn)性。論文首先分析了國內外對城市交通中短時交通流研究的主要模型方法,并分析了短時交通中的交通特點,在利用獲得的交通數據基礎上,希望找出交通流量數據中潛在的規(guī)律性。為此,在分析對比了多種回歸預測方法的優(yōu)缺點后使用了支持向量回歸機的方法來進行預測研究;其次,針對支持向量回歸機的方法中如何尋找最優(yōu)參數的問題,論文使用了粒子群這種智能群體尋優(yōu)算法來更新模型中的參數,并針對粒子群本身存在可能陷入局部最優(yōu)解以及后期震蕩問題進行了改進;同時考慮到使用改進的粒子群優(yōu)化支持向量回歸... 

【文章來源】：昆明理工大學云南省

【文章頁數】：66 頁

【學位級別】：碩士

【部分圖文】：

樣本分類示意圖

圖 3-2 支持向量回歸機結構圖在 SVR 的推導計算后，最后 SVR 的分類函數是通過將輸入的未知的數據向個支持向量的內積，因此對 SVR 回歸計算的復雜度僅僅是由支持向量的個定的。.3 松弛變量在解決實際的樣本數據中，會有各種原因產生，使得很多時候不是所有的可以像線性可分那樣簡單，在一些情況下會有不能進行線性分離的點出現數據點可以稱之為“離群點”[38]。對數據樣本中，我們將間隔最小的點設定其間隔為 1，同時加入新的變量變量ξ，則式（3.1）可改寫為如下：(( ))1- iy x b ii 1,2,...,m（3.1公式（3.13）中，引入的變量ξ≥0，通過約束條件進行計算是允許其小于然而若有一數據點間隔小于 1 的話，實際上是很難被準確分類，則目標函

aCimayyyaaxxaijNiNjijijjNjij01,2,3,...,s.t.0(,)21mini1i1,11格朗日方程，并給出分類決策函數：f()sgn((,))1xayxxbiNiii 數題利用超平面分類可以很好解決，對非線性的情況則行不標軸中橫軸（X 軸）a、b 之間即紅色部分視為一個正類別分視作一個負類。那么可以發(fā)現通過線性方法無法將兩類圖中的藍色曲線可以將兩類別完美分開。

【參考文獻】：
期刊論文
[1]信息時代大數據在智能交通系統(tǒng)中的應用研究[J]. 張昆,崔容容.  城市建設理論研究(電子版). 2017(34)
[2]以中山為例解析廣東智慧城市建設[J]. 張梓萱.  中國公共安全. 2017(Z1)
[3]淺析智能交通系統(tǒng)[J]. 張琪.  中國新技術新產品. 2016(20)
[4]改進粒子群算法優(yōu)化的支持向量機及其應用[J]. 王振武,孫佳駿,尹成峰.  哈爾濱工程大學學報. 2016(12)
[5]基于組合模型的短時交通流量預測算法[J]. 芮蘭蘭,李欽銘.  電子與信息學報. 2016(05)
[6]短時交通流組合模型預測[J]. 沈國江,朱蕓,錢曉杰,胡越.  南京理工大學學報. 2014(02)
[7]最小最大概率回歸機在短時交通流預測中的應用[J]. 王嬌,李軍.  公路交通科技. 2014(02)
[8]基于混沌理論的短期交通流量多步預測[J]. 賈顯超,陳旭梅,弓晉麗,張溪,郭淑霞.  交通信息與安全. 2013(06)
[9]基于指數平滑和馬爾可夫鏈的短時交通流量預測[J]. 李軍懷,高瞻,王志曉,張璟.  計算機系統(tǒng)應用. 2013(12)
[10]小波消噪的神經網絡短時交通流量預測模型[J]. 于振洋.  計算機仿真. 2012(09)

碩士論文
[1]基于支持向量回歸的短時交通流預測方法研究與應用[D]. 武瓊.長安大學 2016
[2]基于高斯過程回歸的鋰電池數據處理[D]. 葉婧.北京交通大學 2016
[3]基于小波分析和遺傳神經網絡的短時城市交通流量預測研究[D]. 李波.北京交通大學 2012
[4]基于SVM的交通流短時預測方法研究[D]. 賈勇兵.西南交通大學 2012
[5]短時交通流的混沌性分析及其基于神經網絡的預測模型研究[D]. 華冬冬.東南大學 2005



本文編號：3117755