【正文】 :k1 dd=0。 for i=1:n dd=dd+(X(i)X(i+n))*exp(((xx(j,:)x(i,:))*(xx(j,:)x(i,:))39。)/)。 end ddd=ddd+yy(j)+edd。endb2=ddd/(k1)。b=(b1+b2)/2。 for i=1:h1 ok=0。 for j=1:n ok=ok+(X(j)X(j+n))*exp(((x(i,:)x(j,:))*(x(i,:)x(j,:))39。)/)。 end bel(i)=ok+b。end for w=37:1:42 aa=d8(wp:w1)。 ok=0。 for i=1:n ok=ok+(X(i)X(i+n))*exp(((aax(i,:))*(aax(i,:))39。)/)。 end jie=ok+b。 d8(w)=jie。end jie2(1,v)=d8(37)*3400。 jie2(2,v)=d8(38)*3400。 jie2(3,v)=d8(39)*3400。 jie2(4,v)=d8(40)*3400。 jie2(5,v)=d8(41)*3400。 jie2(6,v)=d8(42)*3400。 for w=1:1:6 PAE=abs(AA(36+w,v)ceil(jie2(w,v)))/AA(36+w,v)*100。 error(w,1)=PAE。 end%enderrorceil(jie2(:,v))使用MATLAB軟件對上述程序進(jìn)行仿真，就可以得到未來6天第11個小時的交通量預(yù)測值。下表52為第37天到第42天（共6天）的分別在24個小時的交通量預(yù)測值，流量的單位為PCU/1h。表52 第37天到第42天分別在第1小時到第24小時的交通流量預(yù)測值時間段第一天第二天第三天第四天第五天第六天第1小時748752761826768771第2小時561576567637561562第3小時525538543560524543第4小時426445501504432422第5小時490482488492486490第6小時470484464479468481第7小時704840676860479691第8小時907150512351128773843第9小時195522802205238319091854第10小時263726742783275027392705第11小時302128253126264129712962第12小時282427232683267426822696第13小時204320222001210919892052第14小時228922742329233722812301第15小時286127012715274627692851第16小時327327172941289030423225第17小時281127482775277627902787第18小時332926742836287631823291第19小時261722272347223525492572第20小時187913251591163316081898第21小時207016581894183620892007第22小時189716311914189817911904第23小時138512961464134213891420第24小時981975107810269831005根據(jù)上表得到的預(yù)測值，與測試集中實際交通流量值進(jìn)行對比，繪制出5輸入6天預(yù)測值與實際值交通量對比圖如下，其中橫坐標(biāo)為時間段，縱坐標(biāo)為交通量： 圖51 第一天 圖52 第二天 圖53 第三天圖54 第四天圖55 第五天圖56 第六天 從上面的6個圖可以看出，預(yù)測值基本與測試集中的實際值相近，基本可以判斷建立的預(yù)測模型成功有效。接下來，對預(yù)測值與實際值進(jìn)行誤差評價分析，從數(shù)學(xué)分析角度評價此預(yù)測模型，使用公式（）進(jìn)行相對誤差的計算，下表53為5輸入模型預(yù)測結(jié)果的相對誤差表：表53 5輸入預(yù)測值的相對誤差時間段第一天第二天第三天第四天第五天第六天第1小時第2小時第3小時第4小時第5小時第6小時第7小時第8小時第9小時第10小時第11小時第12小時第13小時第14小時第15小時第16小時第17小時第18小時第19小時第20小時第21小時第22小時第23小時第24小時從上表的相對誤差數(shù)據(jù)分析結(jié)果表明，此支持向量機(jī)回歸預(yù)測模型對交通流量的預(yù)測的相對誤差控制在15%以下，說明此預(yù)測模型能得到理想的預(yù)測效果，為交通流量預(yù)測提供了新的思路，為制定交通流量控制方案提供了科學(xué)的參考。由此可知，基于支持向量機(jī)的交通流量預(yù)測是可行的，而且具有較好的現(xiàn)實意義和有效性。用5輸入預(yù)測周末的交通流量如表54：表54 5輸入周末的流量預(yù)測值與誤差預(yù)測值預(yù)測值的絕對相對誤差時間段第一天第二天第一天第二天第1小時769764第2小時667668第3小時557543第4小時471452第5小時463466第6小時472475第7小時740705第8小時10261070第9小時16601640第10小時23912258第11小時27352667第12小時26722414第13小時18521932第14小時21422268第15小時28162780第16小時31463034第17小時22482587第18小時30692903第19小時22792415第20小時16881675第21小時20462036第22小時18571851第23小時13541428第24小時100010735輸入周末的實際值與預(yù)測值作圖如下：圖57 第一天圖58 第二天 從表54的相對誤差中可以看出，相對誤差控制在11%以下，說明預(yù)測模型得到良好的預(yù)測效果。 本章小結(jié)本章通過交通流量仿真研究實例，從實際交通流量的采集，車流量折算，生成預(yù)測結(jié)果，再通過預(yù)測值與實際值作圖對比分析和相對誤差進(jìn)行分析評價，展示了支持向量機(jī)回歸預(yù)測模型預(yù)測交通流量的全過程。從相對誤差分析結(jié)果可以看出，相對誤差控制在15%以下，說明基于支持向量機(jī)預(yù)測快速路交通流量具有令人滿意的預(yù)測效果，對城市交通流量是完全可以預(yù)測。結(jié)論交通道路系統(tǒng)是時變、非線性、高維、非平穩(wěn)、具有隨機(jī)性的復(fù)雜巨系統(tǒng)，交通狀態(tài)受到人、車、路、環(huán)境等各種因素的影響。目前已存在很多種短時交通流量預(yù)測的方法，本文采用基于支持向量機(jī)回歸的預(yù)測方法，對快速路進(jìn)行小時交通流量預(yù)測，根據(jù)預(yù)測結(jié)果應(yīng)用于智能交通系統(tǒng)中，對未來的交通流量進(jìn)行科學(xué)合理地控制有誘導(dǎo)，從而提高快速路的通行效率，避免交通擁堵的情況，減少環(huán)境污染和自然資源的浪費(fèi)，推動我國的快速路更好更快地發(fā)展。支持向量機(jī)（SVM）通過構(gòu)造最優(yōu)超平面，使得對未知樣本的分類誤差最小。支持向量機(jī)回歸預(yù)測方法是支持向量機(jī)理論在交通流預(yù)測中的應(yīng)用，相比于神經(jīng)網(wǎng)絡(luò)，支持向量機(jī)是以研究小樣本數(shù)據(jù)的機(jī)器學(xué)習(xí)規(guī)律的統(tǒng)計學(xué)習(xí)理論為理論基礎(chǔ)的，通過結(jié)構(gòu)風(fēng)險最小化較好地解決了“小樣本”、“非線性和維數(shù)災(zāi)難”、“過學(xué)習(xí)”和“局部極小點(diǎn)”等問題，已經(jīng)成為機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)，在許多領(lǐng)域得到應(yīng)用。與神經(jīng)網(wǎng)絡(luò)類似，應(yīng)用支持向量機(jī)預(yù)測交通流，也是先根據(jù)歷史數(shù)據(jù)來訓(xùn)練支持向量機(jī)，得到輸入和輸出數(shù)據(jù)內(nèi)在的相互依賴關(guān)系，預(yù)測時給定相應(yīng)的輸入就可以得到預(yù)測結(jié)果。支持向量機(jī)回歸具有學(xué)習(xí)速度快、泛化能力好、結(jié)構(gòu)容易確定等優(yōu)點(diǎn)，結(jié)合交通流量的時間序列變化規(guī)律，基于支持向量機(jī)回歸的小時交通流量預(yù)測能很好地從非線性，隨機(jī)性的歷史交通流量中尋找規(guī)律，經(jīng)過仿真研究，得到相對誤差在15%以下的預(yù)測值，為下一步的交通控制提供科學(xué)的依據(jù)。交通流量預(yù)測這一關(guān)鍵技術(shù)領(lǐng)域的研究發(fā)展，促進(jìn)快速路的發(fā)展，對快速路流量的發(fā)展產(chǎn)生積極地影響，在實踐中推動著智能交通的進(jìn)一步發(fā)展，最終有效地解決快速路的實際問題。我相信，在不久的將來，基于支持向量機(jī)交通流量的預(yù)測會取得更卓越的突破，為道路交通的健康發(fā)展貢獻(xiàn)更大的力量。參考文獻(xiàn)1 邵春福, 熊志華, 姚志勝. 道路網(wǎng)短時交通需求預(yù)測理論、方法及應(yīng)用. 清華大學(xué)出版社, 20112 許倫輝, 傅惠. 交通信息智能預(yù)測理論與方法. 科學(xué)出版社, 20093 姚智勝, 邵春福, 高永亮. 基于支持向量回歸機(jī)的交通狀態(tài)短時預(yù)測方法研究. 北京交通大學(xué)學(xué)報, 2006, 30(3): 19224 楊怡. 基于支持向量機(jī)的短時交通流預(yù)測方法. 交通標(biāo)準(zhǔn)化期刊, 2009, (11): 145 董婷. 支持向量機(jī)分類算法在MATLAB環(huán)境下的實現(xiàn). 榆林學(xué)院學(xué)報, 2008, 18(4): 94966 郭小薈, 馬小平. 基于MATLAB的支持向量機(jī)工具箱. 計算機(jī)應(yīng)用與軟件, 2007, 24(12): 57597 王正武, 黃中祥. 短時交通流預(yù)測模型的分析與評價. 系統(tǒng)工程, 2003, 06(1): 10138 楊兆升, 王媛, 管青. 基于支持向量機(jī)方法的短時交通流量預(yù)測方法. 吉林大學(xué)學(xué)報, 2006, 36(6): 8818849 Sanchez V D. Advanced support vector machines and kernel methods. NeuroComputing, 2003, 55(2): 52010 王繼生, 高寶成, 時良平. 支持向量機(jī)在交通量預(yù)測中的應(yīng)用. 信息技術(shù), 2004, 28(4): 810致謝我的論文的順利完成離不開梁新榮教授的支持和幫助，在此向梁新榮教授表示由衷的感謝。梁老師為我推薦了相關(guān)的書籍和資料，讓首次接觸支持向量機(jī)理論的我感到?jīng)]那么困難。學(xué)習(xí)期間我遇到了很多困難，梁老師都耐心地給予了回答。在學(xué)習(xí)MATLAB語句，編寫程序遇到難題，梁老師及時給我講解。在跟隨梁老師學(xué)習(xí)的過程中，我深深地感受到梁老師認(rèn)真負(fù)責(zé)的教學(xué)態(tài)度，祝愿梁老師工作順利。在畢業(yè)之際，我還要感謝在大學(xué)四年中教育過我的老師們，他們的職業(yè)素養(yǎng)和專業(yè)態(tài)度讓我敬佩。感謝我們的班導(dǎo)師徐穎老師，她為我們班付出了很多，給了我們很多提高自己，完善自己的意見。感謝四年來的大學(xué)同學(xué)，感謝他們在學(xué)習(xí)上和生活上的幫助。感謝父母，感謝他們多年來在我身上的付出。最后，感謝參與論文評審和答辯的各位老師，能在百忙之中抽出您寶貴的時間對我的論文進(jìn)行評閱和審議，老師您辛苦了！