原文传递
基于混沌和SVR的短时交通流预测方法研究
| 论文题名： | 基于混沌和SVR的短时交通流预测方法研究 |
| 关键词： | 短时交通流预测;相空间重构;支持向量回归机;集成学习 |
| 摘要： | 随着智能交通系统(ITS)的研究和发展的不断深入,各大城市纷纷开展相应的ITS战略规划研究,以期为城市乃至经济发展注入新的活力。交通流预测是交通信息系统中信息深度和适用处理的关键技术,是为公众出行提供便利的城市交通诱导系统核心内容之一,也是交通事故处理系统以及ITS中其他子系统的重要应用技术基础之一。由于路段交通流状态的时变性和复杂性,很难给出精确的解析表达式描述其变化规律,因此进行实时准确的交通流预测研究具有极为重要的意义。 本文在分析混沌理论的基础上,研究了小数据量法计算交通流的李雅谱诺夫(Lyapunov)指数进行混沌特性判别。进而研究了短时交通流时间序列的相空间重构理论,并利用C-C法计算出重构相空间的嵌入维数m和时间延迟τ,这为后续交通流预测建立了数据关系。对实际交通流进行了仿真,有效地验证了交通流混沌现象的存在和短期可预测性。 本文在研究了支持向量回归机(SVR)原理的基础上,探讨了SVR进行有限样本、非线性交通流预测的适用性。在分析了SVR模型构建的核函数及参数选取问题基础上,将交通流时间序列相空间重构和SVR模型相结合,建构了基于相空间的SVR短时交通流单点单步预测模型,并分别用传统的网格搜索法(GS)和本文设计的遗传算法(GA)对SVR模型进行参数寻优。用上述两种模型对PeMS的工作日和节假日实测交通流数据进行预测仿真,实验充分验证了对源数据进行规范化处理可以有效提高预测性能,遗传算法SVR模型比网格搜索SVR预测性能好,能更有效进行短时交通流预测。 通过遗传算法寻优验证了SVR存在训练运算速度慢的不足,不能较好的满足预测的实时性要求。因此本文借鉴集成学习思想,研究了集成学习中典型的Bagging方法和Boosting方法,将二者与SVR相融合并应用到短时交通流预测中。分别用这两种模型对实测交通流进行实验仿真,并与单一SVR的GS-SVR和GA-SVR两种模型进行比较分析,实验验证了集成SVR不仅能大大缩短预测时间,而且能获得比单一SVR更优秀的综合性能,这为设计实时高性能的短时交通流预测提供了一种思路和方法。 |
| 作者： | 徐永俊 |
| 专业： | 交通信息工程及控制 |
| 导师： | 余立建 |
| 授予学位： | 硕士 |
| 授予学位单位： | 西南交通大学 |
| 学位年度： | 2011 |
| 正文语种： | 中文 |
检索历史
应用推荐
