【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軟件對上述程序進行仿真，就可以得到未來6天第11個小時的交通量預測值。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)上表得到的預測值，與測試集中實際交通流量值進行對比，繪制出5輸入6天預測值與實際值交通量對比圖如下，其中橫坐標為時間段，縱坐標為交通量： 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測模型成功有效。接下來，對預測值與實際值進行誤差評價分析，從數(shù)學分析角度評價此預測模型，使用公式（）進行相對誤差的計算，下表53為5輸入模型預測結果的相對誤差表：表53 5輸入預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)分析結果表明，此支持向量機回歸預測模型對交通流量的預測的相對誤差控制在15%以下，說明此預測模型能得到理想的預測效果，為交通流量預測提供了新的思路，為制定交通流量控制方案提供了科學的參考。由此可知，基于支持向量機的交通流量預測是可行的，而且具有較好的現(xiàn)實意義和有效性。用5輸入預測周末的交通流量如表54：表54 5輸入周末的流量預測值與誤差預測值預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，說明預測模型得到良好的預測效果。 本章小結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，生成預測結果，再通過預測值與實際值作圖對比分析和相對誤差進行分析評價，展示了支持向量機回歸預測模型預測交通流量的全過程。從相對誤差分析結果可以看出，相對誤差控制在15%以下，說明基于支持向量機預測快速路交通流量具有令人滿意的預測效果，對城市交通流量是完全可以預測。結論交通道路系統(tǒng)是時變、非線性、高維、非平穩(wěn)、具有隨機性的復雜巨系統(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測的方法，本文采用基于支持向量機回歸的預測方法，對快速路進行小時交通流量預測，根據(jù)預測結果應用于智能交通系統(tǒng)中，對未來的交通流量進行科學合理地控制有誘導，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，推動我國的快速路更好更快地發(fā)展。支持向量機（SVM）通過構造最優(yōu)超平面，使得對未知樣本的分類誤差最小。支持向量機回歸預測方法是支持向量機理論在交通流預測中的應用，相比于神經(jīng)網(wǎng)絡，支持向量機是以研究小樣本數(shù)據(jù)的機器學習規(guī)律的統(tǒng)計學習理論為理論基礎的，通過結構風險最小化較好地解決了“小樣本”、“非線性和維數(shù)災難”、“過學習”和“局部極小點”等問題，已經(jīng)成為機器學習領域的研究熱點，在許多領域得到應用。與神經(jīng)網(wǎng)絡類似，應用支持向量機預測交通流，也是先根據(jù)歷史數(shù)據(jù)來訓練支持向量機，得到輸入和輸出數(shù)據(jù)內(nèi)在的相互依賴關系，預測時給定相應的輸入就可以得到預測結果。支持向量機回歸具有學習速度快、泛化能力好、結構容易確定等優(yōu)點，結合交通流量的時間序列變化規(guī)律，基于支持向量機回歸的小時交通流量預測能很好地從非線性，隨機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%以下的預測值，為下一步的交通控制提供科學的依據(jù)。交通流量預測這一關鍵技術領域的研究發(fā)展，促進快速路的發(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，基于支持向量機交通流量的預測會取得更卓越的突破，為道路交通的健康發(fā)展貢獻更大的力量。參考文獻1 邵春福, 熊志華, 姚志勝. 道路網(wǎng)短時交通需求預測理論、方法及應用. 清華大學出版社, 20112 許倫輝, 傅惠. 交通信息智能預測理論與方法. 科學出版社, 20093 姚智勝, 邵春福, 高永亮. 基于支持向量回歸機的交通狀態(tài)短時預測方法研究. 北京交通大學學報, 2006, 30(3): 19224 楊怡. 基于支持向量機的短時交通流預測方法. 交通標準化期刊, 2009, (11): 145 董婷. 支持向量機分類算法在MATLAB環(huán)境下的實現(xiàn). 榆林學院學報, 2008, 18(4): 94966 郭小薈, 馬小平. 基于MATLAB的支持向量機工具箱. 計算機應用與軟件, 2007, 24(12): 57597 王正武, 黃中祥. 短時交通流預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. 基于支持向量機方法的短時交通流量預測方法. 吉林大學學報, 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. 支持向量機在交通量預測中的應用. 信息技術, 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的書籍和資料，讓首次接觸支持向量機理論的我感到?jīng)]那么困難。學習期間我遇到了很多困難，梁老師都耐心地給予了回答。在學習MATLAB語句，編寫程序遇到難題，梁老師及時給我講解。在跟隨梁老師學習的過程中，我深深地感受到梁老師認真負責的教學態(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。感謝四年來的大學同學，感謝他們在學習上和生活上的幫助。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行評閱和審議，老師您辛苦了！