【正文】 五邑大學本科畢業(yè)設計基于支持向量機的快速路小時交通量預測摘 要快速路交通量具有復雜性和不確定性，對交通量的準確預測是實現(xiàn)智能交通誘導和控制的基礎。智能交通能解決道路交通擁堵，減少交通事故，減少大氣污染等現(xiàn)實難題，是我國道路交通發(fā)展的方向。充分考慮到快速路交通量所具有的非線性，時變性和隨機性，提出將支持向量機回歸算法應用到快速路小時交通量預測中。根據(jù)我國交通情況，利用廣州某快速路小時交通量數(shù)據(jù)，進行快速路小時交通量預測。仿真研究結果表明，支持向量機泛化能力好，學習速度快，在快速路小時交通量預測中起著重要作用。關鍵詞：小時交通量；交通量預測；支持向量機回歸；仿真研究IAbstract Expressway traffic flow has the plexity and uncertainty, the accurate traffic flow forecasting is the foundation to realize intelligent traffic guidance to control. Intelligent transportation can solve traffic congestion, reduce traffic accidents, reduce the realistic problems such as air pollution, is the direction of our country road traffic development. The expressway traffic flow is nonlinear, timevarying and randomness, the support vector machine (SVM) regression algorithm was applied to expressway hours in traffic flow prediction. According to the traffic situation in our country, use the one of Guangzhou’s expressways traffic flow data to forecast an hour expressway traffic flow. Simulation results show that the generalization and learning ability of support vector machine (SVM) is well, hours in expressway traffic flow forecasting plays an important role. Keywords: hourly traffic volume。 traffic flow forecasting。 support vector machine regression。 simulation research 目 錄摘 要 IAbstract II第1章 緒論 1 課題背景 1 2 國內(nèi)外文獻綜述 2 本論文主要內(nèi)容 3第2章 支持向量機理論 5 支持向量機概述 5 支持向量機回歸及其類型 9 本章小結 9第3章 交通流參數(shù)及預測方法 10 交通流基本參數(shù) 10 交通流量數(shù)據(jù)的采集和特性 10 交通流預測的方法 11 交通狀態(tài)預測概述 11 交通量短時預測方法 12 本章小結 13第4章 基于支持向量機的小時交通流預測 14 概述 14 支持向量機回歸的交通信息預測 14 支持向量機的交通信息預測的具體步驟 15 本章小結 16第5章 仿真研究 17 交通流量預測 17 本章小結 30結論 31參考文獻 32致謝 33III第1章 緒論 課題背景城市交通系統(tǒng)是城市經(jīng)濟社會活動的基礎設施，城市化的發(fā)展和汽車數(shù)量的增加導致交通道路通行壓力的增加。城市交通的供需矛盾越來越顯現(xiàn)，至此引發(fā)了日趨嚴重的交通道路堵塞，嚴重的環(huán)境污染，交通事故頻繁發(fā)生等問題，造成重大的經(jīng)濟損失。交通堵塞隨即引發(fā)交通通行效率降低和能耗增加的問題。據(jù)研究數(shù)據(jù)表明，汽車時速從40公里降到10公里時，能源消耗量加倍增大，還嚴重降低了交通通行效率，同時汽車排放的氮氧化物、一氧化碳等氣體加重了環(huán)境負荷，造成嚴重的大氣污染和空氣質(zhì)量下降，甚至帶來連續(xù)數(shù)月的霧霾天氣?？焖俾纷鳛楝F(xiàn)代化交通的標志設施，具有高效、快速、舒適和安全等優(yōu)勢，對促進社會經(jīng)濟發(fā)展起到關鍵的作用?？焖俾窚p少了車輛之間的沖突，減少了交通堵塞的現(xiàn)象，提高了道路通行的效率。但是隨著社會經(jīng)濟的發(fā)展，城市化進程的加快，快速路的交通流量也迅速增加?？焖俾分饾u出現(xiàn)了嚴重的交通擁堵的現(xiàn)象，導致快速路通行效率降低，環(huán)境污染日益加重等問題，快速路的優(yōu)勢似乎慢慢消退，這種現(xiàn)象影響了人們生活水平的提高和各項事業(yè)的現(xiàn)代化進程。隨著機動車數(shù)量不斷地增加，交通流量接近甚至超過道路的通行能力，對于已經(jīng)建好的城市快速路顯然是不能完全容納的。為了解決機動車與快速路容納能力之間的矛盾，除了通過行政手段改變交通的運行規(guī)律以外，最直接的方法就是修建更多的快速路，以增加道路的容納水平。但是這需要巨額資金的支持，同時又要占用更多的空間。因此，這種方法并不能從根本上解決上述交通矛盾，那么研究和發(fā)展智能交通系統(tǒng)是必經(jīng)之路。在不斷擴建和完善的快速路交通網(wǎng)絡的基礎上，提高快速路交通網(wǎng)絡的現(xiàn)代化管理水平，改造現(xiàn)有的道路運輸通行系統(tǒng)，從而提高快速路的通行能力和服務質(zhì)量。交通控制與誘導是智能交通系統(tǒng)的重要組成部分之一，交通狀態(tài)的小時交通流量預測是交通控制與誘導的基礎。目前的預測方法主要有統(tǒng)計回歸法、狀態(tài)估計法、神經(jīng)網(wǎng)絡法、時間序列法、動態(tài)交通分配及交通模擬法等，尤其以神經(jīng)網(wǎng)絡為代表的這種新型人工智能方法?？焖俾返缆方煌ㄏ到y(tǒng)是非線性、時變、不穩(wěn)定、帶有隨機性的系統(tǒng)，受到的影響因素很多。神經(jīng)網(wǎng)絡具有較強的自適應能力，可以根據(jù)歷史數(shù)據(jù)學習訓練，但是神經(jīng)網(wǎng)絡會出現(xiàn)求得局部極小解的問題和過學習問題。支持向量機以結構風險最小化為目標，其具有結構簡單、全局最優(yōu)、小樣本推廣能力強的優(yōu)勢，能很好地解決非線性、高維數(shù)、小樣本和局部極小點等問題，克服了神經(jīng)網(wǎng)絡的缺陷，成為機器學習界新的研究熱點，已有將其應用于交通流量時間序列預測中。本課題針對快速路交通流量非線性時變的特性，應用歷史交通流量數(shù)據(jù)，提出基于支持向量機的快速路小時交通量預測方法，預測未來交通流量數(shù)據(jù)，然后根據(jù)預測結果進行科學的交通誘導、控制和管理，從而解決快速路交通堵或通行效率逐漸降低的問題。小時交通流量預測是智能交通系統(tǒng)的基礎組成部分，智能交通系統(tǒng)能提高交通運輸通行效率，改善交通通行環(huán)境，減少自然環(huán)境的污染，并最終實現(xiàn)人、車、路的完美配合。利用現(xiàn)代技術獲取快速路的小時交通流量，據(jù)此進行下一時段的交通流量預測，為下一時段的交通流控制和誘導做好基礎。準確的預測結果可以為出行者提供最佳的交通出行路線，科學合理地引導交通出行，減少出行者的時間浪費，從而優(yōu)化道路資源配置，最大限度地發(fā)揮快速路的優(yōu)勢，避免形成交通擁堵，實現(xiàn)快速路交通路網(wǎng)暢通無阻的目的。因此，對交通流量準確、及時的預測對于實現(xiàn)交通流誘導與控制十分關鍵。目前對小時交通流量預測的方法接近30種，基本可劃分為兩類：其一是基于確定的數(shù)學模型的交通信息預測方法，其二是基于知識的智能模型的交通信息預測方法。數(shù)學模型預測方法以數(shù)學模型理論為基礎，一般情況下能取得較好的結果，但是模型比較簡單，不能克服隨機的干擾因素對交通流量的影響，就會容易造成很大的誤差。后者以BP神經(jīng)網(wǎng)絡預測模型為代表，BP神經(jīng)網(wǎng)絡能在有錯誤數(shù)據(jù)的情況下利用結構本身的特性做出準確的預測，但是利用BP神經(jīng)網(wǎng)絡過分強調(diào)學習而出現(xiàn)過擬合現(xiàn)象，使模型的泛化能力得不到充分發(fā)揮，同時還會出現(xiàn)，欠學習，局部極小點問題。支持向量機回歸預測方法采用結構風險最小化，可以避免神經(jīng)網(wǎng)絡的一些缺陷，在解決小樣本數(shù)據(jù)、非線性問題以及高維模式識別方面有很多優(yōu)勢。本文提出基于支持向量機回歸預測快速路小時交通流量的方法，利用采集到的快速路交通流量實時數(shù)據(jù)，預測快速路未來的小時交通流量，解決快速路擁堵和通行效率不高的問題。本課題研究具有重要的實際意義和社會意義，快速路小時交通量預測對城市快速路的發(fā)展，避免交通事故頻繁發(fā)生和防止交通堵塞現(xiàn)象，合理分配交通資源配置和減少自然資源浪費和時間浪費有著深遠的影響，這可使城市快速路健康快速發(fā)展，為國家的經(jīng)濟高速發(fā)展和人們生活水平的提高貢獻更大的力量。 國內(nèi)外文獻綜述 由于交通流量變化發(fā)展迅速，并且隨機性和不確定性強，規(guī)律不明顯，導致快速路交通擁堵問題日益明顯，智能交通系統(tǒng)越來越受到專家學者們的重視，而交通流量預測對交通控制和誘導起著至關重要的作用。所以，近年來專家學者們開始著力于研究小時交通流量的預測，并取得了重大的成果。文獻1主要介紹了道路網(wǎng)短時交通流量預測的基本理論、方法和應用方向。介紹了交通流量的時空特性屬性，基本參數(shù)等基礎知識，介紹了多種交通流量預測方法。文獻2主要介紹了目前國內(nèi)外智能交通系統(tǒng)的研究情況，講述了交通流量預測對于智能交通系統(tǒng)的重要性。列舉了幾個常用的交通信息檢測器和宏觀交通信息預測模型和方法。 文獻3詳細地介紹了支持向量回歸算法運用于短時交通量預測的具體做法，從支持向量回歸機的選取到交通狀態(tài)短時預測的方法，再到如何構建預測模型，最后進行仿真分析。從交通檢測器中獲得某時段交通流量為輸入，對應時段的交通流量為輸出，選取合適的核函數(shù)，對支持向量回歸機進行訓練。運用已訓練的支持向量回歸機預測下一時段或者周期的交通流量。文獻4介紹了智能交通的特點和優(yōu)勢，由此引申出利用支持向量機來處理短時交通流量預測的問題。文章中通過實際的案例分析，闡述了支持向量機在交通系統(tǒng)運用中具有可行性和有效性。文獻5主要分為兩個部分，第一部分介紹了支持向量機的基本知識，讓讀者明白支持向量機的理論思想。第二部分主要介紹如何通過MATLAB軟件來編寫程序來實現(xiàn)支持向量機的思想，如實現(xiàn)支持向量機分類算法。通過閱讀這篇文章，能學習到基本的MATLAB語言編寫的過程。文獻6介紹了支持向量機主要有兩大功能：支持向量的分類和支持向量機的回歸。文獻7介紹了短時交通預測的基本原理、預測模型的特性，主要介紹了對其建模的理論基礎，特點，可行性進行有效地分析，最后對比和評價各類預測模型。文獻8在總結了預測模型的基礎上，將基于支持向量機的小時交通流量預測模型的仿真結果與基于BP神經(jīng)網(wǎng)絡的交通流量預測模型仿真結果進行對比，發(fā)現(xiàn)在預測精度，泛化能力，收斂時間，最優(yōu)性方面等方面，基于支持向量機的小時交通流量預測方面更勝一籌。文獻9支持向量機通過核函數(shù)工作在特征空間中，原問題能在特征空間中獲得線性性能，從而便于解決問題。文獻10本文介紹了通過支持向量機和BP神經(jīng)網(wǎng)絡進行比較，證明支持向量機在交通量預測的可行性。通過比較可知，支持向量機預測交通流量的方法避免出現(xiàn)過學習和欠學習的現(xiàn)象，而且具有很好的推廣能力，比BP神經(jīng)網(wǎng)絡具有更高的預測精度和魯棒性。 本論文主要內(nèi)容全文一共分為五章，每章主要內(nèi)容的安排如下：第1章 緒論。介紹本文研究交通流量預測的背景知識，簡要闡明課題研究的目的和現(xiàn)實意義，講述了智能交通系統(tǒng)的特點和優(yōu)勢，是我國道路交通發(fā)展的必然方向。第2章 支持向量機理論。本章節(jié)主要介紹了什么是支持向量機，支持向量機的回歸類型有哪些，支持向量機核函數(shù)有哪些和他們各自的特點。第3章 交通流參數(shù)及預測方法。本章講述交通流的基本參數(shù)，交通流數(shù)據(jù)采集和特征，以及簡要介紹交通流量短時預測的方法。第4章 基于支持向量機的小時交通流量的預測。本章介紹了支持向量機回歸的交通信息預測方法的知識，實現(xiàn)訓練樣本的非線性回歸和預測的具體步驟。第5章 仿真研究。利用樣本數(shù)據(jù)使用MATLAB進行編程，然后進行仿真研究，得出交通流量預測結果，把預測結果與實際交通流量進行對比評價，計算出相對誤差。第2章 支持向量機理論 支持向量機概述機器學習是計算機科學和人工智能中重要的研究方向。機器學習從眾多學科中吸收成果和概念，通過經(jīng)驗改動計算機算法并理解問題的背景、算法和算法中的假定?，F(xiàn)代智能技術的重要方向是基于數(shù)據(jù)的機器學習，研究樣本集數(shù)據(jù)并從中尋找規(guī)律，然后利用規(guī)律對未來一段時間或周期的數(shù)據(jù)進行預測，最后根據(jù)預測結果進行科學合理的判斷，指導人們正確地進行生產(chǎn)和生活。支持向量機是新興的機器學習方法之一，面對小樣本數(shù)據(jù)時，支持向量機能找出最優(yōu)的解決方案，使泛化能力達到最優(yōu)。目前，統(tǒng)計學習理論是對于小樣本情況研究學習規(guī)律和預測的最佳理論。支持向量機的理論基礎是統(tǒng)計學習理論，近年來理論研究和算法實現(xiàn)取得很大的突破，成為克服“維數(shù)災難問題”、“小樣本”、“過學習問題”等的重