基于支持向量回歸的短時交通流預測方法研究與應用.pdf

1、短時交通流預測技術屬于智能交通控制和車輛誘導的重要研究領域，在實際工程運用中，它作為智能交通領域非常重要的基礎理論，通過對交通流分析和預測，可以幫助城市進行智能交通的誘導工作，使得用戶選擇最優(yōu)的路徑。
　　支持向量機在面對過學習與欠學習問題、局部極小點問題、小樣本等機器學習的研究所遇到的傳統(tǒng)的困難能夠較好的解決，因此可以用在短時交通流回歸預測這一課題的研究中。
　　本文以基于支持向量回歸的短時交通流預測方法研究與應用為題，在

2、交通流數據分析的基礎上，對短時交通流預測的方法和理論進行了深入探討和研究，并且根據實際交通流數據搭建支持向量回歸預測模型，具有實際的應用可行性。
　　主要工作如下：
　　(1)通過對交通流數據的分析和對錯誤及缺失數據的識別和處理，減少噪聲對預測過程的影響，并為下一步的交通流預測模型的建立奠定基礎；
　　(2)根據支持向量機的基本原理，研究并采用基于支持向量回歸的短時交通流預測模型，并與BP神經網絡的仿真結果進行對比，實

3、驗證明，支持向量機回歸模型是一種可行的、有效的交通流預測模型，在短時交通流預測中，其性能優(yōu)于BP神經網絡模型。
　　(3)對支持向量機參數選擇優(yōu)化模型進行了研究。支持向量的懲罰系數、核函數參數的優(yōu)化選擇對回歸模型的學習精度和推廣能力的好壞起著重要的作用。本文使用傳統(tǒng)粒子群優(yōu)化算法，對支持向量回歸參數尋優(yōu)；并結合遺傳算法，采用一種改進的粒子群優(yōu)化算法對支持向量機參數模型進行優(yōu)化，有效地改善了短時交通流的預測精度。
　　（4）利