学位论文 > 优秀研究生学位论文题录展示

基于混沌和SVR的短时交通流预测方法研究

作　者: 徐永俊
导　师: 余立建
学　校: 西南交通大学
专　业: 交通信息工程及控制
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
分类号: U491.112
类　型: 硕士论文
年　份: 2011年
下　载: 101次
引　用: 1次
阅　读: 论文下载

内容摘要

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T,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。

全文目录

摘要  6-7
Abstract  7-11
第1章绪论  11-16
  1.1 短时交通流预测概述  11
  1.2 短时交通流预测研究目的和意义  11-12
  1.3 短时交通流预测研究现状概述  12-13
  1.4 论文的主要工作及章节安排  13-16
第2章交通流混沌特性及相空间重构分析  16-27
  2.1 混沌理论及李雅谱诺夫指数  16-18
    2.1.1 混沌理论  16
    2.1.2 李雅谱诺夫指数  16-17
    2.1.3 小数据量法计算李雅谱诺夫指数  17-18
  2.2 基于混沌理论的短时交通流可预测性及原理分析  18-20
    2.2.1 基于混沌理论的短时交通流可预测性分析  18-19
    2.2.2 基于混沌理论的短时交通流预测原理  19-20
  2.3 短时交通流时间序列的相空间重构  20-22
    2.3.1 短时交通流时间序列相空间重构理论  20-21
    2.3.2 时间延迟和嵌入维数的选取  21-22
  2.4 交通流数据来源及混沌仿真  22-26
    2.4.1 工作日交通流数据  22-23
    2.4.2 节假日交通流数据  23
    2.4.3 基于混沌理论的实测交通流仿真  23-26
  2.5 本章小结  26-27
第3章 SVR基本原理分析及模型参数选取设计  27-45
  3.1 支持向量机回归原理  27-32
    3.1.1 统计学习理论  27-28
    3.1.2 支持向量机  28-30
    3.1.3 支持向量回归机  30-32
  3.2 短时预测模型比较及适用性分析  32-35
    3.2.1 目前短时交通流预测方法和模型面临的问题  32-33
    3.2.2 SVR模型与神经网络模型的比较分析  33-34
    3.2.3 SVR模型应用于交通流预测的适用性分析  34-35
  3.3 短时交通流SVR预测模型参数优化选取设计  35-44
    3.3.1 短时交通流SVR预测模型核函数及其参数分析  35-37
    3.3.2 应用网格搜索法选取SVR短时交通流预测模型参数  37
    3.3.3 应用遗传算法选取SVR短时交通流预测模型参数  37-40
    3.3.4 短时交通流预测模型参数选取实验结果  40-44
  3.4 本章小结  44-45
第4章基于SVR的短时交通流预测模型设计及仿真  45-57
  4.1 基于SVR的短时交通流预测模型设计  45-48
    4.1.1 基于相空间的SVR短时交通流预测模型  45-46
    4.1.2 基于相空间的SVR的短时交通流预测的建模过程  46-48
  4.2 基于SVR的短时交通流预测实验仿真  48-53
    4.2.1 短时交通流预测评价指标  48-49
    4.2.2 短时交通流数据预处理  49-50
    4.2.3 预测实验及结果分析  50-53
  4.3 基于神经网络的短时交通流预测研究  53-56
    4.3.1 基于BP神经网络的短时交通流预测模型  53-54
    4.3.2 实验仿真及与SVR模型比较  54-56
  4.4 本章小结  56-57
第5章基于集成SVR的短时交通流预测研究  57-66
  5.1 集成学习应用于SVR短时交通流预测的分析  57-59
    5.1.1 短时交通流预测成员回归器的生成  58
    5.1.2 短时交通流预测成员回归器的整合  58-59
  5.2 Bagging集成SVR短时交通流预测研究  59-61
    5.2.1 Bagging集成SVR短时交通流预测原理  59-61
    5.2.2 预测实验及结果  61
  5.3 Boosting集成SVR短时交通流预测研究  61-64
    5.3.1 Boosting集成SVR短时交通流预测原理  61-64
    5.3.2 预测实验及结果  64
  5.4 集成SVR与单一SVR预测性能比较  64-65
  5.5 本章小结  65-66
总结与展望  66-68
致谢  68-69
参考文献  69-73
攻读硕士期间发表的学术论文  73

基于混沌和SVR的短时交通流预测方法研究

内容摘要

全文目录

相似论文