【文章內(nèi)容簡(jiǎn)介】 是依據(jù)小時(shí)、日、月、季度、年為單位進(jìn)行統(tǒng)計(jì)數(shù)據(jù)，也可能根據(jù)當(dāng)前時(shí)段或者周期來(lái)預(yù)測(cè)下一個(gè)周期或時(shí)段的交通流狀態(tài)。因此，做好交通流量短時(shí)預(yù)測(cè)非常重要，關(guān)系到交通誘導(dǎo)和控制的正常進(jìn)行。迄今為止，已有很多理論和方法應(yīng)用于短時(shí)短時(shí)交通流量預(yù)測(cè)領(lǐng)域，有基于線性系統(tǒng)理論的預(yù)測(cè)方法、基于知識(shí)發(fā)現(xiàn)的智能模型的預(yù)測(cè)方法、基于非線性系統(tǒng)理論的預(yù)測(cè)方法、基于組合模型的預(yù)測(cè)方法、基于交通模擬的預(yù)測(cè)方法等。上述的交通流預(yù)測(cè)的模型和方法，各有缺點(diǎn)?；诰€性系統(tǒng)理論的預(yù)測(cè)方法計(jì)算復(fù)雜性低，操作簡(jiǎn)單，但對(duì)于路況復(fù)雜的交通系統(tǒng)則不能滿(mǎn)足預(yù)測(cè)結(jié)果的精確性和動(dòng)態(tài)反饋性?；诜蔷€性的系統(tǒng)理論的預(yù)測(cè)方法體現(xiàn)了交通狀態(tài)非線性的特征，精確性較高，但計(jì)算復(fù)雜，理論有待深入?；谥R(shí)發(fā)現(xiàn)的智能模型有很強(qiáng)的數(shù)據(jù)處理能力，預(yù)測(cè)結(jié)果令人滿(mǎn)意，但計(jì)算復(fù)雜性高，參數(shù)選擇困難?；诮M合模型的預(yù)測(cè)方法能結(jié)合各種模型的優(yōu)點(diǎn)，如組合方法不當(dāng)，預(yù)測(cè)效果可能反而變差。從目前情況來(lái)看，每一種方法都有自己的適用范圍和條件。對(duì)于某種特定的情形，預(yù)測(cè)結(jié)果能獲得令人滿(mǎn)意的結(jié)果，而在其他環(huán)境下，預(yù)測(cè)的結(jié)果卻差強(qiáng)人意。所以，對(duì)于各種環(huán)境下的交通流預(yù)測(cè)，應(yīng)該是多種方法，相互協(xié)調(diào)補(bǔ)充的過(guò)程。短時(shí)交通流預(yù)測(cè)與其他的預(yù)測(cè)應(yīng)用不同，提出了更高的要求，短時(shí)交通流預(yù)測(cè)是在線、實(shí)時(shí)完成的。一方面，短時(shí)交通量預(yù)測(cè)是為交通誘導(dǎo)和控制提供依據(jù)，所以預(yù)測(cè)模型必須在短時(shí)間內(nèi)完成復(fù)雜的計(jì)算，保證及時(shí)對(duì)下一時(shí)段的交通量進(jìn)行估計(jì)，否則預(yù)測(cè)結(jié)果也是無(wú)用的。另一方面，交通流數(shù)據(jù)的檢測(cè)、傳輸也是實(shí)時(shí)完成的，要從預(yù)測(cè)系統(tǒng)中獲取大量的數(shù)據(jù)中作出準(zhǔn)確性評(píng)價(jià)，作出科學(xué)準(zhǔn)確的預(yù)測(cè)。 本章小結(jié)本章對(duì)交通流的基本參數(shù)——流量、速度、密度，進(jìn)行了簡(jiǎn)要的敘述，了解到交通流具有時(shí)空特性，隨機(jī)性，不確定性，不可預(yù)知性等特性，充分說(shuō)明交通網(wǎng)絡(luò)是一個(gè)復(fù)雜且時(shí)變的網(wǎng)絡(luò)。接著對(duì)交通預(yù)測(cè)的概念進(jìn)行了說(shuō)明，對(duì)眾多的交通流量預(yù)測(cè)方法進(jìn)行分類(lèi)，提出了交通預(yù)測(cè)模型應(yīng)具備的要求。最后提出了交通狀態(tài)短時(shí)預(yù)測(cè)的方法，交通短時(shí)預(yù)測(cè)方法具有實(shí)時(shí)性、準(zhǔn)確性、可靠性等特性，對(duì)交通管理和控制有指導(dǎo)的效果，是智能交通的關(guān)鍵技術(shù)之一。第4章 基于支持向量機(jī)的小時(shí)交通流預(yù)測(cè) 概述 第2章所提及的機(jī)器學(xué)習(xí)在交通流預(yù)測(cè)中主要是回歸預(yù)測(cè)問(wèn)題，就是從采集到的交通流量數(shù)據(jù)中找到規(guī)律，利用規(guī)律對(duì)未來(lái)交通流量數(shù)據(jù)進(jìn)行預(yù)測(cè)，然后掌握交通流量的變化規(guī)律，根據(jù)規(guī)律采取相應(yīng)的措施，實(shí)行交通誘導(dǎo)和控制。支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)是眾多新算法研究中的熱點(diǎn)，都屬于機(jī)器學(xué)習(xí)方法的范疇。神經(jīng)網(wǎng)絡(luò)具有逼近任意非線性函數(shù)，容錯(cuò)和自學(xué)習(xí)的優(yōu)勢(shì)，具有強(qiáng)大的并行處理能力，學(xué)習(xí)能力和自適應(yīng)能力。但是，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程過(guò)分依賴(lài)經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則，在小樣本數(shù)據(jù)的學(xué)習(xí)過(guò)程中容易出現(xiàn)過(guò)學(xué)習(xí)現(xiàn)象，以致于泛化能力低下。此外，神經(jīng)網(wǎng)絡(luò)算法容易受到網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜性和樣本復(fù)雜性的影響，容易陷入局部極小點(diǎn)和出現(xiàn)“維數(shù)災(zāi)害”問(wèn)題?；谥С窒蛄繖C(jī)預(yù)測(cè)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(gòu)造最優(yōu)的決策函數(shù)。采用結(jié)構(gòu)最小化原則，引入決策函數(shù)，利用原空間的核函數(shù)取代高維特征空間的點(diǎn)積運(yùn)算。根據(jù)算法的不同，用于預(yù)測(cè)交通量的有支持向量機(jī)、支持向量機(jī)和最小二乘支持向量機(jī)（LSSVM）等。 支持向量機(jī)回歸的交通信息預(yù)測(cè)基于支持向量機(jī)的預(yù)測(cè)方法，核心在于利用支持向量機(jī)回歸的思路。小時(shí)交通流量的支持向量機(jī)回歸預(yù)測(cè)方法，是支持向量機(jī)回歸理論在短時(shí)交通流預(yù)測(cè)中的一種應(yīng)用，在交通狀態(tài)隨機(jī)的變化過(guò)程中，根據(jù)交通流量狀態(tài)基本參數(shù)，結(jié)合其他因素，利用歷史數(shù)據(jù)訓(xùn)練支持向量機(jī)，尋找出輸入與輸出之間的規(guī)律，建立支持向量機(jī)回歸預(yù)測(cè)模型，以預(yù)測(cè)下一個(gè)時(shí)段或者周期的交通流量。應(yīng)用支持向量機(jī)預(yù)測(cè)交通流，先用歷史數(shù)據(jù)來(lái)訓(xùn)練支持向量機(jī)，從而得到輸入與輸出之間的相互依賴(lài)關(guān)系，那么預(yù)測(cè)時(shí)就能給定相應(yīng)的輸入就能得到交通流預(yù)測(cè)結(jié)果。假設(shè)給定訓(xùn)練數(shù)據(jù)樣本{(x1, y1), …, (xl, yl)}204。RnR。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(gòu)造最優(yōu)決策函數(shù)，同時(shí)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(diǎn)積運(yùn)算，實(shí)現(xiàn)線性回歸，即特征空間中構(gòu)造分類(lèi)超平面： （）在高維空間的線性回歸對(duì)應(yīng)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(wèn)題就找到適當(dāng)?shù)谋平瘮?shù)使最?。? （）式中：為線性權(quán)值向量；是第個(gè)輸入, 是對(duì)應(yīng)的期望輸出。C是復(fù)雜度和樣本擬合精度的折衷，其值越大則擬合精度越高；不敏感損失函數(shù)即回歸允許的最大誤差，當(dāng)它的值越大時(shí)，支持向量數(shù)量越少。這樣式子就變成： （）相應(yīng)的對(duì)偶形式為：（）核函數(shù)滿(mǎn)足Mercer條件，代替，把內(nèi)積式轉(zhuǎn)化成核函數(shù)式：（）實(shí)現(xiàn)非線性回歸核函數(shù)，樣本對(duì)應(yīng)的輸出公式為： （）的計(jì)算公式為： （） 支持向量機(jī)的交通信息預(yù)測(cè)的具體步驟 對(duì)歷史交通量數(shù)據(jù)進(jìn)行歸一化處理，確定合適的嵌入維數(shù)m，生成數(shù)據(jù)集。 選擇核函數(shù)，確定SVM參數(shù)。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。和C對(duì)支持向量機(jī)算法的學(xué)習(xí)能力和推廣能力有很大的影響。懲罰系數(shù)C取值小，訓(xùn)練誤差就會(huì)增大，懲罰系數(shù)取值大，學(xué)習(xí)精度提高，但模型的泛化能力就變差。因此，選取適當(dāng)?shù)膽土P系數(shù)C對(duì)預(yù)測(cè)模型很重要，適當(dāng)?shù)腃值能減小離群樣本的干擾，提高模型的穩(wěn)定性。不敏感損失函數(shù)控制的是模型的預(yù)測(cè)能力，取值大時(shí)，導(dǎo)致學(xué)習(xí)精度低，推廣能力下降。取值小時(shí)，就會(huì)導(dǎo)預(yù)測(cè)致模型過(guò)于復(fù)雜，訓(xùn)練時(shí)間變長(zhǎng)。因此，可以使用動(dòng)態(tài)調(diào)整的方法來(lái)確定參數(shù)，先用先驗(yàn)知識(shí)方法固定其中一個(gè)參數(shù)，然后用列舉法來(lái)確定另外一個(gè)參數(shù)。最后固定已經(jīng)優(yōu)化的參數(shù)來(lái)確定未優(yōu)化的參數(shù)，以最終確定和C。 輸入數(shù)據(jù)集，生成預(yù)測(cè)函數(shù)。輸入數(shù)據(jù)集，求得Lagrange乘數(shù)和偏置的值，確定預(yù)測(cè)函數(shù) （）預(yù)測(cè)并進(jìn)行誤差分析。根據(jù)生成的預(yù)測(cè)函數(shù)預(yù)測(cè)未來(lái)時(shí)段的交通流量信息，并對(duì)預(yù)測(cè)結(jié)果進(jìn)行誤差評(píng)價(jià)分析。如果發(fā)現(xiàn)相對(duì)誤差較大，則需要返回地2步，重新調(diào)整SVM的參數(shù)。 本章小結(jié) 本章提出了基于支持向量機(jī)回歸的交通量預(yù)測(cè)的方法，支持向量機(jī)能較好地解決“小樣本”、“維數(shù)災(zāi)害問(wèn)題”、“過(guò)學(xué)習(xí)問(wèn)題”、“局部極小點(diǎn)問(wèn)題”。接著介紹了如何通過(guò)訓(xùn)練數(shù)據(jù)樣本實(shí)現(xiàn)非線性回歸，確定支持向量機(jī)交通信息預(yù)測(cè)的具體步驟，包括如何選擇核函數(shù)，確定支持向量機(jī)參數(shù)，引入損失函數(shù)，構(gòu)造最優(yōu)超平面，輸入歷史數(shù)據(jù)集，生成預(yù)測(cè)函數(shù)結(jié)果等問(wèn)題。第5章 仿真研究 借用梁新榮教授的實(shí)驗(yàn)數(shù)據(jù)，使用MATLAB R2011a實(shí)現(xiàn)基于支持向量機(jī)對(duì)廣州某快速路小時(shí)交通量預(yù)測(cè)的編程。 交通流量預(yù)測(cè)選取廣州某快速路作為預(yù)測(cè)對(duì)象，采集2008年6月和8月周一到周五和周末的交通流量數(shù)據(jù)，一共42天1008個(gè)周一到周五數(shù)據(jù)和20天的480個(gè)周末的數(shù)據(jù)，利用MATLAB軟件進(jìn)行數(shù)據(jù)仿真得出預(yù)測(cè)結(jié)論。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(jìn)行預(yù)測(cè)，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(cè)試集。預(yù)測(cè)前先對(duì)交通流量樣本數(shù)據(jù)進(jìn)行處理。根據(jù)交通調(diào)查車(chē)型分類(lèi)及車(chē)輛折算系數(shù)表51進(jìn)行換算交通流量：表51 車(chē)輛系數(shù)折算表車(chē)型小貨車(chē)中貨車(chē)大貨車(chē)特大貨 車(chē)小客車(chē)大客車(chē)拖掛車(chē)集裝箱車(chē)折算系數(shù)123133通過(guò)折算系數(shù)表對(duì)當(dāng)天每個(gè)小時(shí)各車(chē)型的數(shù)量進(jìn)行換算后，綜合起來(lái)即為當(dāng)天24小時(shí)的交通流量。以1個(gè)小時(shí)作為交通流量信息預(yù)測(cè)單位，輸入連續(xù)5天當(dāng)天該小時(shí)的流通量樣本數(shù)，預(yù)測(cè)未來(lái)一天該小時(shí)的交通流量信息，得出預(yù)測(cè)結(jié)果。再以得到的預(yù)測(cè)結(jié)果與樣本集中的交通流量信息進(jìn)行誤差評(píng)價(jià)分析，從而評(píng)估建立的基于支持向量機(jī)回歸的交通流量預(yù)測(cè)模型的可行性。預(yù)測(cè)值的相對(duì)誤差計(jì)算公式： （）為實(shí)際值，預(yù)測(cè)值。以1小時(shí)為單位的交通量預(yù)測(cè)，用MATLAB語(yǔ)言編制m文件程序進(jìn)行仿真，則有24個(gè)m文件程序，現(xiàn)在摘取第11小時(shí)的交通量預(yù)測(cè)的程序進(jìn)行展示。全天第11個(gè)小時(shí)的交通量預(yù)測(cè)程序如下：clcclearclose alltic。 %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(hào)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(hào) 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(hào)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(hào)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(hào)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(hào)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(hào)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(hào)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(hào)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(hào)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(hào)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(hào)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(hào)周三 746