论文总字数：23105字

摘 要

通过对短时交通数据的准确预测，可以为智能交通系统的决策提供有效的依据，能够缓解交通道路拥堵的压力，本课题的研究具有一定的实际意义。本文运用自适应粒子群（APSO）方法优化的支持向量机回归（SVR）对短时交通流数据进行预测。首先对原始数据进行预处理，主要使用冗余值剔除与缺失值填补法，并且对数据进行归一化处理。SVR是一种建立在统计学理论的学习方式，在回归预测上具有良好的应用前景。由于SVR方法的预测性能受到模型参数正确选择的影响。因此，本课题选用粒子群算法（PSO），针对PSO算法搜索精度低、容易进入局部最优等缺点对PSO算法进行自适应改进，形成自适应粒子群优化算法(APSO)来优化SVR参数。使用其他方法进行实验与APSO-SVR模型对比，实验表明，APSO-SVR方法对短时交通流数据有很好的预测效果。

关键词：支持向量机回归 粒子群算法 自适应粒子群算法 短时交通流预测

Short time traffic flow prediction based on APSO-SVR model

Abstract

Based on the accurate prediction of short time traffic data, it can provide effective evidence for the decision of intelligent transportation system. It can alleviate the pressure of traffic congestion, and the research of this topic has a certain practical significance. In this paper, the adaptive Particle Swarm Optimization (APSO) method is used to optimize the Support Vector Machine Regression (SVR) to predict the short time traffic flow data. At first the original data is pre processed, the main use of redundant value and missing value imputation method, and the data are normalized. SVR is a learning method based on statistical theory. It has a good application prospect in regression prediction. The prediction performance of the SVR method is affected by the correct choice of model parameters. Therefore, this topic selection Particle Swarm Optimization (PSO) algorithm, PSO algorithm for searching precision low, easy access to local optima of PSO algorithm with adaptive improvement to form adaptive Particle Swarm Optimization algorithm (APSO) to optimize the parameters of SVR. Using other methods to compare with the APSO-SVR model, the experiment shows that the APSO-SVR method has a good effect on short term traffic flow data.

Key Words: Support Vector Machine Regression; Particle Swarm Optimization algorithm; Adaptive Particle Swarm Optimization algorithm; Short time traffic flow prediction

目 录

摘要 I

Abstract II

第一章 绪论 1

1.1 研究背景 1

1.2 国内外研究现状 1

1.3 研究内容 4

1.4 论文的重点 5

第二章 支持向量机 7

2.1 支持向量机方法的原理与思路 7

2.2 支持向量机回归预测方法 10

2.2.1 回归预测基本原理 10

2.2.2 回归预测方法思路 10

2.3 支持向量机核函数的选择 13

2.3.1 核函数介绍 13

2.3.2 常用的核函数类型 14

2.3.3 核函数的特点 14

第三章 自适应粒子群优化算法 16

3.1 粒子群优化算法 16

3.2 自适应粒子群算法 19

3.2.1 自适应粒子群种群多样性 20

3.2.2 自适应粒子群惯性权重 20

3.3 自适应粒子群算法的仿真分析 21

第四章 APSO-SVR模型优化概述 24

4.1 APSO-SVR模型参数特点 24

4.2 APSO-SVR模型寻优步骤 25

第五章 基于APSO-SVR模型的短时交通流数据预测 27

5.1 交叉验证优化SVR方法对短时交通流数据预测 28

5.2 BP神经网络方法对短时交通流数据预测 29

5.3 PSO-SVR方法对短时交通流数据预测 30

5.4 APSO-SVR方法对短时交通流数据预测 30

5.5 APSO-SVR方法与其他方法的预测结果对比 31

第六章 总结与展望 35

参考文献 36

致 谢 38

第一章 绪论

1.1 研究背景

随着我国经济的发展以及道路建设进程的加快，出行车辆的数量随着增多，出行人数量也在不停的增长，给原来拥堵的道路交通造成了庞大的压力。在我国尤其在城市，由于交通堵塞而造成的各方面损失达到了上千亿元，交通问题已经越来越影响我国国民经济快速发展。而大量实践表明，解决道路交通问题不能仅仅依靠道路基础设施的建设，而要深入探讨道路交通流的形成与变化规律，建立与之相适应的智能交通控制与管理策略，因此智能交通系统（Intelligent Transportation System， ITS）的发展成为了时代发展的必然趋势。

ITS系统通过在整个道路交通运输管理系统中利用计算机、传感等多种技术，从而实现智能方便快捷化的交通管理，使道路交通设施得到高效的利用，达到人、车、路三要素协调紧密、和谐统一^[1][2]，已经成为缓解道路交通问题的必然选择。交通流量预测是说在某个地域采用某种预测模型依据目前收集到的交通流数据对未来的交通流量作出准时精确的估算，在ITS系统中起着十分重要的作用。作为交通流预测的一部分，短时交通流预测一直是主体研究方向，现今在交通流量预测范畴中一般规定短时预测的时间在5min内或者在15min内^[3]。准时精确的交通流预测是调节和引导交通的重点和条件，而短时交通流预测手段一向是ITS系统中的热门研究课题。因此运用智能预测方法执行相关的短时交通流预测，这对为道路管理者提供交通疏导的依据，还有为外出者提供最好的行程方案来说，都具有极大的作用，从而实现缓解道路堵塞，优化道路交通，减少经济资源的损失和社会资源浪费的目的。

1.2 国内外研究现状

1. 国内外短时交通流预测研究现状

请支付后下载全文，论文总字数：23105字