淺談道路交通流量短時預測范文
本站小編為你精心準備了淺談道路交通流量短時預測參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。
摘要：隨著智能交通技術(shù)的發(fā)展,車輛誘導系統(tǒng)作為智能交通系統(tǒng)的重要組成部分,已成為交通管理部門疏導城市道路交通的有效途徑。短時交通流預測作為車輛誘導系統(tǒng)的關(guān)鍵技術(shù)以及智能交通領(lǐng)域非常重要的理論基礎(chǔ),通過對道路交通流的分析和預測,給用戶提供最佳的行駛路線,優(yōu)化交通管理方案,均衡交通流。但短時交通流量具有高度的非線性，復雜性，隨機性，前人已經(jīng)做了大量的工作，筆者引入了SVR來對路口的交通流量進行預測，支持向量回歸（SVR）具有需求樣本少，高抗干擾，泛化能力強的特點，實驗表明本文所提方法收斂精度較高，收斂速度也滿足要求。
關(guān)鍵詞：交通流量；SVR；預測；泛化能力
一、車流量數(shù)據(jù)庫的建立
在這里，研究對象是貴陽市的某個路口，時間段為2018年9月15號到2018年9月22號八天的交通車流量數(shù)據(jù)，去除雙休時間，每5分鐘為一個時間段，方向是由東向西方向，整個數(shù)據(jù)集包含通過計算得知一共有1728組數(shù)據(jù)，將它分割為訓練集與測試集，訓練集1500組，測試集228組；
二、數(shù)據(jù)的預處理
對數(shù)據(jù)庫里的車流量數(shù)據(jù)進行統(tǒng)計分析，找出最大值，最小值，然后對所有流量數(shù)據(jù)進行歸一化處理[1]，得到SVR模型易于處理的形式，對于缺失的數(shù)據(jù)可以用以往相同時刻流量值代替，對于異常值，可以取該時刻附近車流量的平均值替代。
三、支持向量機回歸方法
用于擬合時,其目標是尋找一個平面,使得所有的樣本離該平面誤差最小。本研究應用回歸型支持向量機(supportvectormachineforregression)方法建立預測模型,其基本思想是在高維空間建立線性的回歸函數(shù),用核函數(shù)代替線性方程中的線性項,這就可以使之前的線性算法“非線性化”,可以對非線性系統(tǒng)進行回歸分析。高速公路系統(tǒng)是非線性系統(tǒng),其交通流狀態(tài)可用回歸型支持向量機來預測。支持向量機模型適和樣本數(shù)少、非線性強的情況，它在機器學習方向具有廣泛的應用[2]。對于非線性支持向量機，它將低維不可分數(shù)據(jù)映射到高維空間，變?yōu)榫€性之后再進行回歸描述。本文中，由于流量時間序列具有高度的非線性和隨機性，我們采用非線性SVR來進行預測[3]。
四、實驗論證
這里選擇徑向基函數(shù)作為核函數(shù)，通過MATLAB仿真，在訓練階段，采用網(wǎng)格查找法[4]，懲罰因子參數(shù)和核函數(shù)參數(shù)都選定在一定區(qū)間，然后逐步尋找，最后核函數(shù)的參數(shù)懲罰因子c為82.5,核參數(shù)e為0.65時訓練集的誤差最低，所以我們選擇這一組參數(shù)，之后支持向量機回歸模型在這組參數(shù)下對測試集車流量進行預測，最后與真實值進行比較，顯示誤差分布比價平穩(wěn)，收斂速度也符合要求，證明了本文方法的有效性。
五、結(jié)果分析
本文方法仿真產(chǎn)生的相對誤差率只有19%，即使在測試集上的相對誤差率也只有14%，說明支持向量機模型具有較好的泛化能力[5]，在收斂速度評價指標上，也完全滿足道路交通流量預測的時效性。
六、結(jié)論
采用支持向量機回歸的模型來對貴陽市某路口進行短時道路交通流量預測，通過網(wǎng)格查找法，在訓練集上找出使得預測值與實際值誤差最低的模型參數(shù)[6]，從而使得支持向量回歸模型有較好的預測效果，結(jié)果顯示，所提方法適合對短時道路交通流量進行預測。
參考文獻
[1]張海瑞.基于支持向量機的語音情感識別研究[J].計算機產(chǎn)品與流通,2019(04):122.
[2]王前鋒.基于改進型支持向量機算法的軋機軋制力預測[J/OL].鍛壓技術(shù),2019(04):131-137[2019-04-23].
[3]潘濤,王勝利.支持向量機在語音情感識別中的應用[J/OL].電子技術(shù)與軟件工程,2019(06):135[2019-04-23].
[4]王東平,吳志剛.基于灰色關(guān)聯(lián)支持向量機回歸的紗線質(zhì)量預測[J].山東工業(yè)技術(shù),2019(09):158-159.
[5]許獻磊,李俊鵬,王亞文,鞠齊民.基于支持向量機的道路地下空洞量化識別方法[J].工程勘察,2019,47(04):70-78.
[6]李建森,沈齊,范馨月.城市道路短時交通流量預測[J].數(shù)學的實踐與認識,2019,49(05):192-197.
作者：鄭友康 單位：貴州大學電氣工程學院