原文传递
基于改进支持向量机的短时交通流预测分析
| 论文题名： | 基于改进支持向量机的短时交通流预测分析 |
| 关键词： | 短时交通流;预测模型;支持向量机;混沌理论;爬山算法 |
| 摘要： | 随着我国经济社会发展以及综合国力的不断提高，中国城市化的进程也在不断推进。大中型城市在不断发展的同时也带来了交通拥挤、交通事故频发等现象。如何有效的提高交通管理效率、对交通流进行准确的预测与调度、通过交通流诱导使交通流系统更加完善的运行，是现代城市交通信息发展研究的重要课题。 交通流数据信息具有很强的非线性、随机性、实变性等特点，传统的数学预测模型不能很好地对交通流进行预测，随着机器学习的不断发展，人们愈来愈开始重视机器学习在交通领域的分析与预测。支持向量机(Support Vector Machine)算法的提出改善了神经网络算法存在的局部最小值易出现过拟合、欠拟合情况等缺陷，在降低结果错误率的同时，还能够很好的对训练集以外的数据点进行分类决策，能够较好的解决过学习、欠学习、非线性以及高维数等问题。 本文以支持向量机为基本理论主要完成了以下工作： （1）针对已有的预测模型输入中未考虑特征向量之间相互关联关系的缺陷，通过交通流混沌特性重构相空间作为模型输入来提高模型预测的准确度；同时，为解决相空间维度较高、计算复杂度高的问题，采用降维算法对模型进行优化以提高模型的实时性。 （2）针对支持向量机的参数选择问题，分别采用爬山算法、模拟退火-爬山算法和随机重复爬山算法对参数进行寻优搜索,通过理论分析,确定随机重复爬山算法在准确度和实时性方面表现更好，本文选用该方法进行参数模型的优化。 （3）利用混沌理论对输入相空间进行重构,以重构后的相空间作为输入，结合向量机理论和参数优化算法，构建了短时交通流预测模型。 （4）在 Python上对改进后的支持向量机短时交通流预测模型进行了仿真，从准确度和模型运行时间上分别与逻辑回归模型、未优化的原始模型进行了对比和分析，通过对比与分析证明利用随机重复爬山算法优化后的支持向量机短时交通流预测模型具有更好的准确性和实时性。 |
| 作者： | 张国凯 |
| 专业： | 软件工程 |
| 导师： | 花嵘 |
| 授予学位： | 硕士 |
| 授予学位单位： | 山东科技大学 |
| 学位年度： | 2016 |
| 正文语种： | 中文 |
检索历史
应用推荐
