城市道路短時交通流量預測是城市智能交通系統(tǒng)的重要環(huán)節(jié),短時交通流量的變化具有很強的隨機性和時效性,且影響因素眾多,如何快速有效地分析影響因素與交通流量之間的關系是研究城市道路短時交通流量預測的關鍵問題。城市道路短時交通流量與時空關聯(lián)的多種影響因素之間的關系不明確,本文提出了一種組合最小二乘支持向量機（Multi-group Least Squares Support Vector Machines,MLS-SVM）預測模型并應用于城市道路短時交通流量的定期離線預測,綜合考慮時間、道路結構和周邊環(huán)境多種影響因素,提升模型的預測精度。將標準化后的影響因素按數(shù)據(jù)源分組建立支持向量回歸子模型來研究與交通流量之間的關系,降低特征維度的同時還可以獨立考慮各類因素的影響效果,最后組合各子模型優(yōu)化預測結果。采用實測數(shù)據(jù)集進行仿真實驗,與單支持向量機預測模型、小波神經(jīng)網(wǎng)絡時間序列預測模型和多因素模式識別模型對比分析,仿真結果表明MLS-SVM預測模型的平均預測誤差最小且超過45%時間段的預測誤差最小,展現(xiàn)了 MLS-SVM預測模型在定期離線預測情景下的有效性和優(yōu)越性。短時交通流量離線預測模型復雜度高且建... 

【文章來源】：合肥工業(yè)大學安徽省 211工程院校 教育部直屬院校

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【部分圖文】：

圖２．１城市道路短時交通流量預測基本流程圖??Ｆｉｇ?２．１?Ｂａｓｉｃ?ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ｓｈｏｒｔ－ｔｅｒｍ?ｕｒｂａｎ?ｔｒａｆｆｉｃ?ｆｌｏｗ?ｐｒｅｄｉｃｔｉｏｎ??

２．３短時預測模型??目前己有不少短時預測方法和模型，當然不存在一個模型是萬能的，每種方??法都有著自身的優(yōu)點和局限性。前人對短時預測問題的研宄大致可以歸納為圖２．２??所展示的情況。??短時預測模型??非?乂??線?囂工混??性?＾?智合??模?ｇ?能?模??型?＾?模型??生?型??／＾￣＼?￣＼?／?￣＼?／?￣￣?￣＼??方?小遺ｇ??歷時狀?小突混?神遺＆?波傳＠??史間態(tài)?波變純?經(jīng)傳ｇ?神神ｓ??平序空?理理?理?ｎ?ｎ?ｐ?經(jīng)?經(jīng)?ｇ??均?列?間…?論?論論…?絡法告．．．網(wǎng)網(wǎng)?２…??模?模?模?模?桟?模?模?模?＾?絡?絡?＾??型型型?型型型?型型?＾?模模?＆??型?型型｜??圖２．２短時預測模型分類圖??Ｆｉｇ?２．２?Ｃｌａｓｓｉｆｉｃａｔｉｏｎ?ｄｉａｇｒａｍ?ｏｆ?ｓｈｏｒｔ－ｔｅｒｍ?ｐｒｅｄｉｃｔｉｏｎ?ｍｏｄｅｌ??下面介紹本文使用到的一些短時預測模型及其相關理論。??（１）支持向量機模型??支持向量機（Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅ，ＳＶＭ）是由?Ｃｏｒｉｎｎａ?Ｃｏｒｔｅｓ?和?Ｖａｐｎｉｋ?等??于１９９５年首先提出的，它在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特??有的優(yōu)勢，并能夠推廣應用到函數(shù)擬合等其他機器學習問題中。為了兼顧模型的??估計精度與泛化能力，在考慮經(jīng)驗風險的前提下最小化結構風險，同時引入損失??函數(shù)（估量預測值與真實值不一致的程度）來保證問題有解

人工神經(jīng)網(wǎng)絡（Ａｒｔｉｆｉｃｉａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋｓ，簡寫為ＡＮＮｓ）也簡稱為神經(jīng)網(wǎng)絡??（ＮＮｓ），它模仿動物神經(jīng)網(wǎng)絡的行為特征，進行分布式并行信息處理的數(shù)學建模，??神經(jīng)網(wǎng)絡的拓撲結構圖如圖２．３所示。??人工神經(jīng)網(wǎng)絡具有自適應、自組織和自學習能力，可以分布式存儲信息和并??行處理信息，還具有高度非線性、計算的非精度性和良好的容錯性。人工神經(jīng)網(wǎng)??絡非線性映射能力強、泛化能力強，但在實際應用中也存在著一些缺陷，它存在??多個局部極小值點、收斂速度慢、網(wǎng)絡結構設計難以統(tǒng)一等不足。因此，在實際??應用中只能靠經(jīng)驗和實驗來確定神經(jīng)網(wǎng)絡模型，需要解決的問題不同，映射關系??也不同，網(wǎng)絡的結構設計便存在不確定性。??１１??

【參考文獻】：
期刊論文
[1]基于Hermite矩陣求逆的LSSVM在線預測算法研究[J]. 洪貝,姜學鵬,齊玉東,陳青華.  系統(tǒng)仿真學報. 2017(01)
[2]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)
[3]面向大數(shù)據(jù)分析的在線學習算法綜述[J]. 李志杰,李元香,王峰,何國良,匡立.  計算機研究與發(fā)展. 2015(08)
[4]一種基于相關分析的局域最小二乘支持向量機小尺度網(wǎng)絡流量預測算法[J]. 唐舟進,彭濤,王文博.  物理學報. 2014(13)
[5]基于組合預測模型的短時交通流預測[J]. 李穎宏,劉樂敏,王玉全.  交通運輸系統(tǒng)工程與信息. 2013(02)
[6]基于均勻設計的最小二乘支持向量機改進算法[J]. 向昌盛,周子英,張林峰.  計算機仿真. 2011(03)
[7]基于時空分析的短時交通流量預測模型[J]. 夏英,梁中軍,王國胤.  南京大學學報(自然科學版). 2010(05)
[8]多子群遺傳神經(jīng)網(wǎng)絡模型用于路口短時交通流量預測[J]. 劉漢麗,周成虎,朱阿興,李霖.  測繪學報. 2009(04)
[9]回歸最小二乘支持向量機的增量和在線式學習算法[J]. 張浩然,汪曉東.  計算機學報. 2006(03)

博士論文
[1]車聯(lián)網(wǎng)環(huán)境下交通信息采集與處理方法研究[D]. 周戶星.吉林大學 2013
[2]基于最小二乘支持向量機的在線建模與控制方法研究[D]. 周欣然.湖南大學 2012

碩士論文
[1]基于車聯(lián)網(wǎng)的短時交通流預測算法研究[D]. 林冬霞.華南理工大學 2015
[2]城市交叉口短時交通流預測模型與算法研究[D]. 郭沂鑫.蘭州交通大學 2014
[3]基于小波分析和遺傳神經(jīng)網(wǎng)絡的短時城市交通流量預測研究[D]. 李波.北京交通大學 2012



本文編號：3526938