【正文】 end %end error ceil(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(yù)測值。 jie2(5,v)=d8(41)*3400。 end jie2(1,v)=d8(37)*3400。 for i=1:n ok=ok+(X(i)X(i+n))*exp(((aax(i,:))*(aax(i,:))39。)/)。 end b2=ddd/(k1)。 end end for j=1:k1 dd=0。 for i=1:n if X(i+n)0amp。 end ddd=ddd+yy(j)edd。 k=k+1。 k=1。X(i+n)=0。 [X ok how]=quadprog(H,f39。MaxIter39。LargeScale39。UB1(1:2*n)=q。 beq=0。 Aeq(n+1:2*n)=1。 A(n+1:2*n)=0。 H(1:n,n+1:2*n)=d。 for i=1:n for j=1:n d(i,j)=exp((x(i,:)x(j,:))*(x(i,:)x(j,:))39。 c=c1。 %每次對 y 重新賦值 n=length(y)。)eee x(h,:)=d3(i,:)。 end first=d2(36ws+1:36)。 ws=5。 d7=AA(1:36,v)39。 全天第 11 個小時的交通量預(yù)測程序如下： clc clear close all tic。以 1 個小時作為交通流量信息預(yù)測單位，輸入連續(xù) 5 天當(dāng)天該小時的流通量樣本數(shù)，預(yù)測未來一天該小時的交通流量信息，得出預(yù)測結(jié)果。 交通流量預(yù)測 選取廣州 某 快速路 作為預(yù)測對象，采集 2020 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 周一到周五 數(shù)據(jù) 和 20 天的 480 個周末的數(shù)據(jù) ，利用 MATLAB 軟件進行數(shù)據(jù)仿真得出預(yù)測結(jié)論。如果發(fā)現(xiàn)相對誤差較大，則需要返回地 2步，重新調(diào)整 SVM 的參數(shù)。b 的值，確定預(yù)測函數(shù) ?? ???li iii bxxKxf 139。 因此，可以使用動態(tài)調(diào)整的方法來確定參數(shù)，先用先驗知識方法固定其中一個參數(shù)，然后用列舉法來確定另外一個參數(shù)。懲罰系數(shù) C 取值小，訓(xùn)練誤差就會增大，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。CCxxKybxxKybIilijiiiilijiiii????????????????????? ????????　　 （ ） 支持向量機的交通信息預(yù)測的具體步驟 對歷史交通量數(shù)據(jù)進行 歸一化處理)m in ()m ax ( )m in ( XX XYY ii ???，確定合適的嵌五邑大學(xué)本科畢業(yè)設(shè)計 16 入維數(shù) m，生成數(shù)據(jù)集。139。,0,0)()()(),())((21),(???????????????　　　?。?） 實現(xiàn)非線性回歸核函數(shù)，樣本 x 對應(yīng)的輸出公式為： 39。39。39。 )()( ??? （ ） 相應(yīng)的對偶形式為： ? ? ?? ? ? ????????? lji li li iiiiijijji yxxw 1, 1 1 39。 用非線性映射TN xxx ))(,),(()( 1 ??? ?? 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(gòu)造分類超平面： ?? ??Nn nn bxwxf 1 )()( ? （ ） 在高維空間的線性回歸對應(yīng)著低維空間非線性回歸，定義不敏感損失函數(shù)： })(,0m a x {),( ?? ??? iiii xfyfyxL （ ） 五邑大學(xué)本科畢業(yè)設(shè)計 15 支持向量回歸 （ SVR）問 題就找到適當(dāng)?shù)谋平瘮?shù) )(?f 使 )(wE 最小 ： ?????li ii fyxLCE 1 ),()(21)( ? （ ） 式中 ： TNw ),( 21 ??? ?? 為 線性權(quán)值向量； ni Rx? 是第 i 個輸入 , Ryi? 是對應(yīng)的期望輸出 。 支持向量機回歸的交通信息預(yù)測 基于支持向量機的預(yù)測方法，核心在于利用支持向量機回歸的思路。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和出現(xiàn)“維數(shù)災(zāi)害”問題。 五邑大學(xué)本科畢業(yè)設(shè)計 14 第 4 章 基于支持向量機的小時交通流預(yù)測 概述 第 2 章所提及的機器學(xué)習(xí)在交通流預(yù)測中主要是回歸預(yù)測問題，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)律對未來交通流量數(shù)據(jù)進行預(yù)測，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，實行交通誘導(dǎo)和控 制。另一方面，交通流數(shù) 據(jù)的檢測、傳輸也是實時完成的，要從預(yù)測系統(tǒng)中獲取大量的數(shù)據(jù)中作出準(zhǔn)確性評價，作出 科學(xué)準(zhǔn)確的預(yù)測。對于某種特定的情形，預(yù)測結(jié)果能獲得令人滿意的結(jié)果，而在其他環(huán)境下，預(yù)測的結(jié)果卻差強人意?；诜蔷€性的系統(tǒng)理論的預(yù)測方法體現(xiàn)了交通狀態(tài)非線性的特征，精確性較高，但計算復(fù)雜，理論有待深入。因此，做好交通流量短時預(yù)測非常重要，關(guān)系到交通誘導(dǎo)和控制的正常進行。交通流量一旦發(fā)生特殊 情況，能及時反饋到計算模型中進行調(diào)整。隨著道路交通流量的隨機性和非線性更強，后來就出現(xiàn)了支持向量機、神經(jīng)網(wǎng)絡(luò)、模糊理論、混沌理論和元胞自動機等非線性系統(tǒng)理論為基礎(chǔ)的非線性預(yù)測模型。常用流量，速度和占有率等作為反映 交通流量狀態(tài)的參數(shù)，因此，交通流量預(yù)測實質(zhì)上是對這些交通流量 的參數(shù)進行預(yù)測。準(zhǔn)確的道路交通信息預(yù)測，對進行科學(xué)合理的交通誘導(dǎo)和控制，提高快速路的通行效率，緩解交通擁堵情況，減少環(huán)境污染資源浪費有著重要的社會意義。定量預(yù)測和統(tǒng)計的數(shù)據(jù)資料，資料有密切關(guān)系，所以也稱為統(tǒng)計預(yù)測。如今，預(yù)測已經(jīng)運用到各種領(lǐng)域，如：經(jīng)濟預(yù)測、社會預(yù)測、技術(shù)預(yù)測等領(lǐng)域。交通流的時空性，隨機時變不確定性等特性，呈現(xiàn)出一個錯中復(fù)雜的交通網(wǎng)絡(luò)，為交通流預(yù)測帶來巨大的障礙和困難。構(gòu)成交通流 的行人和車輛會已實際交通狀況來確定他們的行動方式，導(dǎo)致原能最有效的疏導(dǎo)交通的時間增長，而這種集體行為從產(chǎn)生到消失的時間很短暫。 交通流的不確定特性：交通流變化過程是非線性，高維度，非平穩(wěn)的隨機過程，容易受各種因素的影響。這種技術(shù)以線圈檢測為代表，其具有技術(shù)成熟，精度高的優(yōu)點，但是因為只能檢測安裝設(shè)備路段的交通流量信息，所以信息的完備性較差。當(dāng)前交通流量數(shù)據(jù)是預(yù)測的依據(jù)，所以交通流量數(shù)據(jù)的采集是交通流量預(yù)測的第一步。 密度，是指在單位長度道路上，某一瞬時所存的車輛數(shù)量。 流量，是指在單位時間內(nèi)通過某一斷面的實際車輛數(shù)，是描述交通流 特征的三大參數(shù)之一。 交通流具有時間和空間的變化特性，這種時空特性是某空間位置 交通流運行狀態(tài)的定性，定量特征。 支持向量機是基于統(tǒng)計學(xué)習(xí)理論，屬于機器學(xué)習(xí)方法在計算機科學(xué)和人工智能中的研究領(lǐng)域，是 用 最優(yōu)化方法解決機器學(xué)習(xí)問題的工具。 ε支持向量機回歸、 ν支持向量機回歸所選的損失函數(shù)都是 ε不敏感損失函數(shù)，這個定義是當(dāng)觀測值和預(yù)測值之差不超過實現(xiàn)給定的 ε時，則認(rèn)為這時的預(yù)測值是無損失的。,( cxxvxxK ??? （ ） 其中， v 、 c 為參數(shù)。,( ???? ccxxxxK d （ ） 其中： s 、 c 、 d 為參數(shù)，其中， d 是任意正整數(shù)， 0?c 。在確定支持向量機回歸的類型、核函數(shù) 、損失函數(shù)以及選取相應(yīng)的參數(shù)后，就可利用支持向量機回歸的算法，對實際問題建模，求出最優(yōu)化問題，最后構(gòu)造決策函數(shù)。)(i iii xw ?? （ ） 最后得到： bxxxf sv iii ???? ? ))(()( 39。? ，處于邊界位置時， i? 和 39。 bxwybxwyiiiiii ??? ??? （ ） 和 ??? ?? ?? 0)( 0)(39。 0)( ?? （ ） 其中 liCCi ,1,0,0 39。39。139。?i? ， li ,1?? ，對參數(shù) w ,b , i? 和 39。39。 （ ） 采用對偶原理將上式轉(zhuǎn)化為二次規(guī)劃問題，構(gòu)造 Lagrange 方程： ? ?? ?? ? ????????? ii ii iiiiiii bxwyaCwbwL 1 139。iiiiiiiixfyyxf?????? （ ） 上式中， 0?C 為懲罰系數(shù)， ? 為不敏感損失系數(shù)， 39。 約束條件為： ??? ???????? ??iiii ybxw bxwy () 如果訓(xùn)練集中有不滿足線性可分的樣本點，還要在條件中引入松弛變量39。訓(xùn)練樣本 ),( ii yx 可分，使分類間隔 w2最大或 2w 最小的分類面就是所需要的最優(yōu)分類面。 支持向量機將輸入空 間 映射到 一個高維空間，在這個空間中找到輸入變量與輸出變量的 線性關(guān)系。 支持向量機最初為了解決分類問題，其目標(biāo)是結(jié) 構(gòu)風(fēng)險最小化，結(jié)構(gòu)風(fēng)險在經(jīng)驗風(fēng)險和置信范圍中選擇一個 折衷 ，適用于有限樣本的情況。 現(xiàn)代智能技術(shù)的重要方向是基于數(shù)據(jù)的機器學(xué)習(xí)，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(yù)測，最后根據(jù)預(yù)測結(jié)果進行科學(xué)合理的判斷，指導(dǎo) 人們正確地進行生產(chǎn)和生活。 第 5 章 仿真研究。 第 3 章 交通流參數(shù)及預(yù)測方法。 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。 文獻(xiàn) 8 在總結(jié)了預(yù)測模型的基 礎(chǔ)上，將基于支持向量機的小時交通流量預(yù)測模型的仿真結(jié)果 與基于 BP 神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測模型仿真結(jié)果 進行對比，發(fā)現(xiàn)在 預(yù)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(yù)測方面更勝一籌。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。運用已訓(xùn)練的支持向量回歸機預(yù)測下一時段或者周期的交通流量。 五邑大學(xué)本科畢業(yè)設(shè)計 3 文獻(xiàn) 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(yù)測對于智能交通系統(tǒng)的重要 性。 國內(nèi)外文獻(xiàn)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(dǎo)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(xué)者們的重 視，而交通流量預(yù)測對交通控制和誘導(dǎo)起著至關(guān)重要的作用。后者以 BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型為代表， BP 神經(jīng)網(wǎng)絡(luò)能在有錯誤數(shù)據(jù)的情況下利用結(jié)構(gòu) 本身 的特性 做出 準(zhǔn)確的預(yù)測，但是利用 BP 神經(jīng)網(wǎng)絡(luò)過分強調(diào)學(xué)習(xí)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(xué)習(xí)，局部極小點問題。準(zhǔn)確的預(yù)測結(jié)果可以為出行者提供最佳的交通出行路線，科學(xué)合理地引導(dǎo)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。支持向量機以結(jié)構(gòu)風(fēng)險最小化為目標(biāo)，其具有結(jié)構(gòu)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(luò)的缺陷，成為機器學(xué)習(xí)界新的研究熱點，已有將其 應(yīng)用于交通流量時間序列預(yù)測中。 交通控制與誘導(dǎo)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(yù)測是交通控制與誘導(dǎo)的基礎(chǔ)。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?？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。城市交通的供 需矛盾越來越顯現(xiàn)，至此引發(fā)了日趨嚴(yán)重的交通道路堵塞，嚴(yán)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。 關(guān)鍵詞 ： 小時 交通量；交通量 預(yù)測；支持向量機回歸；仿真 研究 五邑大學(xué)本科畢業(yè)設(shè)計 II Abstract Expressway traffic flow has t