原文传递
基于SARIMA和SVM模型的短时交通流预测
| 论文题名： | 基于SARIMA和SVM模型的短时交通流预测 |
| 关键词： | 短时交通流预测;季节性ARIMA;支持向量机;粒子群优化算法;混合预测 |
| 摘要： | 智能运输系统以“缓解拥挤、保障安全、提高效率、减少污染、节约能源”为目标，是未来交通发展的主导方向，而短时交通流预测则是实现交通系统智能化运行的关键技术之一。以往的短时交通流预测应用往往受制于大规模的交通流数据采集和所得数据的快速建模计算，近些年来随着科技的迅猛发展，交通信息采集及传输设备的数量越来越大，且获取途径越来越多，都为获取充足的实时数据奠定了物质基础，为从事基于数据分析的交通状态信息预测研究提供了数据保障；此外，计算机的运算速度越来越快，处理能力也越来越强，为各种复杂预测模型的快速计算解除了后顾之忧，这些都使得短时交通流状态数据的分析和预测逐步成为现实。 全文以背景介绍、国内外研究现状综述、短时交通流特性分析、数据预处理、建模理论及方法、归纳总结为主线，比较系统地研究了路段短时交通流预测问题。首先对国内外研究现状进行了综述，将预测方法分成四大类，并对ARIMA和SVM模型用于预测的不足做了评述。然后在对短时交通流数据进行分析的基础上，总结归纳了短时交通流的五大显著特征；并根据数据的实际情况选用横向处理的方式，分别优选两种统计判断准则进行可疑值识别、异常值确认，以解决原始测量数据质量问题。紧接着根据短时交通流具有的部分特性如周期性、随机性，选用单一线性SARIMA模型进行建模预测，全面阐述建模过程中的平稳性检验、白噪声检验、差分平稳化、模型识别、参数估计、诊断检验、模型优化等步骤，并使用SAS软件编程实现了预测。后来再根据短时交通流具有的部分特性如非线性、复杂性，特别是非线性比较明显的特征，选用单一非线性ε-SVR模型进行建模预测。内容包括介绍了支持向量机的理论基础及来源，比较了其输入特征提取的不同方法后提出按照SRAIMA的AR项选择SVR输入的新方法，运用粒子群优化算法求得模型的最优配对参数，并使用LIBSVM软件编程实现了预测。最后又根据短时交通流自身具备的全部特性，将SARIMA和SVR模型进行混合运算。一方面，借鉴预测控制理论中的误差预测反馈校正的思想，运用SARIMA建立预测主模型，运用SVR建立残差预测从模型，残差的预测值对主模型的预测结果进行校正；另一方面，受SARIMA预测过程和结果的启发，提出两种启发式预测模型。SVR输入特征的选取不仅参考SARIMA模型的AR项，而且对SARIMA的预测结果也作为输入特征，目标是借鉴SARIMA“简省、高效”的建模指导思想，也用SVR建立精简的混合模型。实际5分钟短时交通流预测结果验证了提出的混合模型的可行性、有效性及相对于单一模型的优越性。 |
| 作者： | 陆海亭 |
| 专业： | 交通信息工程及控制 |
| 导师： | 黄卫 |
| 授予学位： | 硕士 |
| 授予学位单位： | 东南大学 |
| 学位年度： | 2010 |
| 正文语种： | 中文 |
检索历史
应用推荐
