原文传递
基于相空间重构和SVR的短时间交通流预测方法研究
| 论文题名： | 基于相空间重构和SVR的短时间交通流预测方法研究 |
| 关键词： | 城市交通管理;短时交通流;预测模型;相空间重构;支持向量回归机 |
| 摘要： | 交通信息与云计算、物联网等高新技术相结合已成为智慧城市发展的重要举措之一，在提高道路通行能力、解决城市道路拥堵、减少环境污染等方面发挥着举足轻重的作用。交通流预测是其系统中信息处理、智能控制的关键要素之一，也是提高交通服务水平、增强用户体验满意度的重要应用基础之一。由于城市道路中交通流状态的复杂性和时变性，掌握交通流变化规律以及预测任意时刻的交通流状况实属不易，因此对于短时交通流的实时预测颇有研究意义。 本文以复杂的城市交通路网为研究背景，应用OpenITS系统提供的开放微波数据，对采集到的交通流量数据进行特征分析，发现每个探测点的数据呈现周期性的特征，之后应用Pearson相关系数去测量各个微波检测设备之间的相关性，为文中根据实测点之间的关联性去预测交通流提供支持。 本文在对相空间重构进行研究的基础上，分析了交通流可看作混沌时间序列的必然性。在求解重构相空间的过程中，为适应相空间的重构条件，对最近临算法(K-Nearest Neighbor classification，KNN)中带有标签的样本数据这一条件和判别标准进行修改，从而获取重构相空间的基本参数:延迟时间和嵌入维度。同时，该工作属于基于相空间重构和支持向量回归机(Support Vector Regression，SVR)的短时交通流预测模型的输入模块，为样本数据转化为模型输入提供了整合基础。 本文对支持向量机(Support Vector Machine，SVM)进行了研究，应用同SVM原理类似且适用于预测问题的支持向量回归机。因交通流数据的非线性特征，在模型构建时，采用高斯核函数对输入数据进行高维空间的映射。本文模型的构建与求解过程如下:首先，应用相空间重构理论对样本数据进行整合;然后，将重构后的数据输入到SVR模型中构建基于相空间重构和SVR的短时交通流预测模型;之后，进行模型训练，采用较为普遍的十折交叉验证的方法进行参数寻优的工作;最后，应用实测交通流数据对该模型进行试验，并以此做交通流评价指标分析，同时将该模型与神经网络和常规SVR模型进行结果对比分析。经过实验验证，该模型预测性能更好，更能有效地进行短时交通流预测。 |
| 作者： | 李媛媛 |
| 专业： | 控制科学与工程 |
| 导师： | 徐维祥 |
| 授予学位： | 硕士 |
| 授予学位单位： | 北京交通大学 |
| 学位年度： | 2018 |
| 正文语种： | 中文 |
检索历史
应用推荐
