【正文】 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?？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，對促進社會經濟發(fā)展起到關鍵的作用。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，對于已經建好的城市快速路顯然是不能完全容納的。在不斷擴建和完善的快速路交通網絡的基礎上，提高快速路交通網絡的現(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量。神經網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，但是神經網絡會出現(xiàn)求得局部極小解的問題和過學習問題。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。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。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，為國家的經濟高速發(fā)展和人們生活水平的提高貢獻更大的力量。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。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。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。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。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神經網絡具有更高的預測精度和魯棒性。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。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。機器學習從眾多學科中吸收成果和概念，通過經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。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”等的重要方法，在人臉檢測，手寫體數(shù)字識別、語音識別等方面都有重大的應用。對于非線性分類問題，則先引進核函數(shù)K，把原問題轉變?yōu)楦呔S空間的線性問題，最后構造核函數(shù)。面對線性回歸問題，先對分類線進行標準化處理，使得對線性可分的訓練樣本集滿足下面不等式： ()上式中。使得最小。對于非線性回歸問題，首先引入核函數(shù),把問題轉化為Hilbert空間中的線性回歸問題，然后構造決策函數(shù)。當時，為非齊次多項式核函數(shù),當時，為齊次多項式核函數(shù)。另外，還有其他損失函數(shù)，包括Gauss損失函數(shù)、Laplace損失函數(shù)、魯棒損失函數(shù)、多項式損失函數(shù)分段多項式損失函數(shù)等。支持向量機通過構造最優(yōu)超平面，根據(jù)結構風險最小化，在確保分類精度的基礎上，使學習機器的VC維盡可能降低，從而縮小執(zhí)行范圍。交通流量的預測實際就是對交通流基本參數(shù)的預測，交通流基本參數(shù)包括宏觀參數(shù)和微觀參數(shù)。流量是隨時間和空間變化而變化的，要在道路系統(tǒng)一系列的位置上，搜集流量在時間和空間上數(shù)據(jù)和變化，為交通量的誘導和控制提供數(shù)據(jù)參考。密度是瞬時值，隨著時間和空間的變化而發(fā)生變化。隨著交通科技水平的發(fā)展，各種交通信息數(shù)據(jù)采集設備和技術應運而生。移動型采集技術是指用安裝有檢測設備的移動車輛在道路上采集交通流量信息的方法，這種技術以浮動車檢測技術為代表，因為能檢測到整個路段，所以采集到的交通信息的完備性好，但也存在精度不高的情況。例如：本路段過去幾個時段或者周期的交通流量，路段上下游的交通流量，天氣變化，交通道路通行狀況等。所以宏觀上交通流量的演化過程存在自組織現(xiàn)象。因此，交通流的預測方法是世界研究的重要課題之一。按照預測的性質，可以分為定性預測和定量預測：定性預測是以主觀認識經驗和邏輯判斷為主，對事物未來的發(fā)展趨勢和發(fā)展狀況進行推測判斷。常用方法有回歸法、時間序列法等。然而，道路交通是一個無時無刻都在變化的復雜巨系統(tǒng)，道路狀態(tài)預測難度很大。典型的交通流量狀態(tài)預測以統(tǒng)計分析的方法為基礎，比如有歷史趨勢法、時間序列法等。交通流量預測要解決的是從具有隨機性和不確定性的交通流量變化中，對采集來的交通流量參數(shù)數(shù)據(jù)進行數(shù)據(jù)研究分析，找出內在規(guī)律并建立預測模型和方法，以此來預測未來時段或周期的交通流量變化，其基本流程如圖31所示：車輛檢測器采集的數(shù)據(jù)交通流量數(shù) 據(jù)預測模型和方法交通流量狀態(tài)預 測 圖31 小時交通流量預測流程根據(jù)上述交通流量預測的概念，建立的預測模型應該符合如下的要求：實時性和準確性?？煽啃浴Ｆ駷橹?，已有很多理論和方法應用于短時短時交通流量預測領域，有基于線性系統(tǒng)理論的預測方法、基于知識發(fā)現(xiàn)的智能模型的預測方法、基于非線性系統(tǒng)理論的預測方法、基于組合模型的預測方法、基于交通模擬的預測方法等?；谥R發(fā)現(xiàn)的智能模型有很強的數(shù)據(jù)處理能力，預測結果令人滿意，但計算復雜性高，參數(shù)選擇困難。所以，對于各種環(huán)境下的交通流預測，應該是多種方法，相互協(xié)調補充的過程。 本章小結本章對交通流的基本參數(shù)——流量、速度、密度，進行了簡要的敘述，了解到交通流具有時空特性，隨機性，不確定性，不可預知性等特性，充分說明交通網絡是一個復雜且時變的網絡。支持向量機和神經網絡是眾多新算法研究中的熱點，都屬于機器學習方法的范疇?；谥С窒蛄繖C預測交通信息的思想在于，首先選擇非線性映射把樣本向量從原空間向量映射到高維特征向量，然后在高維特征空間構造最優(yōu)的決策函數(shù)。小時交通流量的支持向量機回歸預測方法，是支持向量機回歸理論在短時交通流預測中的一種應用，在交通狀態(tài)隨機的變化過程中，根據(jù)交通流量狀態(tài)基本參數(shù)，結合其他因素，利用歷史數(shù)據(jù)訓練支持向量機，尋找出輸入與輸出之間的規(guī)律，建立支持向量機回歸預測模型，以預測下一個時段或者周期的交通流量。用非線性映射把輸入的數(shù)據(jù)樣本從原空間映射到高維特征空間，在高維空間構造最優(yōu)決策函數(shù)，同時引入損失函數(shù)，用原空間的核函數(shù)取代高維特征空間的點積運算，實現(xiàn)線性回歸，即特征空間中構造分類超平面： （）在高維空間的線性回歸對應著低維空間非線性回歸，定義不敏感損失函數(shù)： （）支持向量回歸（SVR）問題就找到適當?shù)谋平瘮?shù)使最?。? （）式中：為線性權值向量；是第個輸入, 是對應的期望輸出。得到樣本數(shù)據(jù)集后，選擇徑向基函數(shù)（RBF）作為核函數(shù)，并確定二次規(guī)劃的優(yōu)化參數(shù)和C。不敏感損失函數(shù)控制的是模型的預測能力，取值大時，導致學習精度低，推廣能力下降。 輸入數(shù)據(jù)集，生成預測函數(shù)。 本章小結 本章提出了基于支持向量機回歸的交通量預測的方法，支持向量機能較好地解決“小樣本”、“維數(shù)災害問題”、“過學習問題”、“局部極小點問題”。本論文先采用周一到周五（工作日）連續(xù)5天的交通流量作為輸入進行預測，其中利用數(shù)據(jù)集的前36天交通數(shù)據(jù)作為樣本集，后6天的數(shù)據(jù)作為測試集。再以得到的預測結果與樣本集中的交通流量信息進行誤差評價分析，從而評估建立的基于支持向量機回歸的交通流量預測模型的可行性。 %六月數(shù)據(jù)AA=[683 612 490 468 474 581 987 1420 2141 2885 2999 2785 2117 2279 2665 2636 2693 2622 2235 1315 1604 1454 1209 918 %六月2號周一 709 546 462 465 463 574 937 1159 2110 2983 3203 2820 2065 2445 2755 2968 2985 2845 2366 1665 1954 1893 1514 1137 %六月3號 周二 866 681 516 482 474 567 841 1187 2436 2927 2705 2928 2303 2480 2840 2990 2895 2896 2415 1631 1821 1718 1268 893 %六月4號周三 642 507 435 385 423 495 782 1023 1900 2883 3179 2956 1933 2249 2785 3013 2891 3171 2486 1592 1870 1703 1290 922 %六月5號周四 607 535 446 409 438 512 834 966 1801 2566 2991 2717 1948 2273 2830 3290 2986 3147 2651 1868 2005 1814 1349 936 %六月6號周五 687 567 521 446 483 566 1009 1520 2198 2762 2926 2687 2067 2239 2713 2705 2521 2505 2136 1306 1649 1490 1212 976 %六月9號周一 711 572 463 449 435 563 826 1136 2129 2959 3239 2811 2052 2379 2685 3089 2953 2745 2376 1615 1841 1795 1457 1078 %六月10號周二 811 666 473 451 459 583 946 1273 2474 2915 2803 2803 2210 2438 2783 3029 2964 2926 2379 1609 1898 1724 1252 919 %六月11號周三 683 549 427 375 454 509 720 1005 1874 2685 3202 2970 1937 2211 2797 3054 3038 3104 2481 1772 1966 1753 1363 904 %六月12號周四 652 509 482 427 459 527 793 1085 1865 2616 3039 2772 1971 2355 2947 3261 3045 3279 2749 1966 2151 1790 1417 954 %六月13號周五 702 588 540 525 514 633 1014 1511 2267 2989 3082 2881 2152 2332 2751 2758 2751 2759 2319 1515 1614 1574 1339 973 %六月16號周一 758 595 493 493 480 598 922 1210 2069 2864 3124 2721 1989 2371 2712 2859 2849 2673 2274 1586 1809 1733 1443 1069 %六月17號周二 798 676 520 467 465 564 924 1254 2319 2943 2804 2823 1921 1452 1768 2510 2732 2603 2007 1701 1850 1826 1342 983 %六月18號周三 746 561 511 416 502 542 900 1010 1866 2763 3246 2942 1922 2154 2808 3185 3035 3211 2684 1872 2047 1883 1518 991 %六月19號周四 725 543 529 504 533 623 915 1132 1966 2637 3069 2786 1993 2336 3000 3384 3136 3366 2904 2036 2170 1861 1423 1021 %六月20號周五 822 709 587 597 566 771 1113 1462 2430 2928 3098 2762 2043 2002 2591 2727 2703 2684