浅谈道路交通流量短时预测范文

本站小编为你精心准备了浅谈道路交通流量短时预测参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

摘要：随着智能交通技术的发展,车辆诱导系统作为智能交通系统的重要组成部分,已成为交通管理部门疏导城市道路交通的有效途径。短时交通流预测作为车辆诱导系统的关键技术以及智能交通领域非常重要的理论基础,通过对道路交通流的分析和预测,给用户提供最佳的行驶路线,优化交通管理方案,均衡交通流。但短时交通流量具有高度的非线性，复杂性，随机性，前人已经做了大量的工作，笔者引入了SVR来对路口的交通流量进行预测，支持向量回归（SVR）具有需求样本少，高抗干扰，泛化能力强的特点，实验表明本文所提方法收敛精度较高，收敛速度也满足要求。

关键词：交通流量；SVR；预测；泛化能力

一、车流量数据库的建立

在这里，研究对象是贵阳市的某个路口，时间段为2018年9月15号到2018年9月22号八天的交通车流量数据，去除双休时间，每5分钟为一个时间段，方向是由东向西方向，整个数据集包含通过计算得知一共有1728组数据，将它分割为训练集与测试集，训练集1500组，测试集228组；

二、数据的预处理

对数据库里的车流量数据进行统计分析，找出最大值，最小值，然后对所有流量数据进行归一化处理[1]，得到SVR模型易于处理的形式，对于缺失的数据可以用以往相同时刻流量值代替，对于异常值，可以取该时刻附近车流量的平均值替代。

三、支持向量机回归方法

用于拟合时,其目标是寻找一个平面,使得所有的样本离该平面误差最小。本研究应用回归型支持向量机(supportvectormachineforregression)方法建立预测模型,其基本思想是在高维空间建立线性的回归函数,用核函数代替线性方程中的线性项,这就可以使之前的线性算法“非线性化”,可以对非线性系统进行回归分析。高速公路系统是非线性系统,其交通流状态可用回归型支持向量机来预测。支持向量机模型适和样本数少、非线性强的情况，它在机器学习方向具有广泛的应用[2]。对于非线性支持向量机，它将低维不可分数据映射到高维空间，变为线性之后再进行回归描述。本文中，由于流量时间序列具有高度的非线性和随机性，我们采用非线性SVR来进行预测[3]。

四、实验论证

这里选择径向基函数作为核函数，通过MATLAB仿真，在训练阶段，采用网格查找法[4]，惩罚因子参数和核函数参数都选定在一定区间，然后逐步寻找，最后核函数的参数惩罚因子c为82.5,核参数e为0.65时训练集的误差最低，所以我们选择这一组参数，之后支持向量机回归模型在这组参数下对测试集车流量进行预测，最后与真实值进行比较，显示误差分布比价平稳，收敛速度也符合要求，证明了本文方法的有效性。

五、结果分析

本文方法仿真产生的相对误差率只有19%，即使在测试集上的相对误差率也只有14%，说明支持向量机模型具有较好的泛化能力[5]，在收敛速度评价指标上，也完全满足道路交通流量预测的时效性。

六、结论

采用支持向量机回归的模型来对贵阳市某路口进行短时道路交通流量预测，通过网格查找法，在训练集上找出使得预测值与实际值误差最低的模型参数[6]，从而使得支持向量回归模型有较好的预测效果，结果显示，所提方法适合对短时道路交通流量进行预测。

参考文献

[1]张海瑞.基于支持向量机的语音情感识别研究[J].计算机产品与流通,2019(04):122.

[2]王前锋.基于改进型支持向量机算法的轧机轧制力预测[J/OL].锻压技术,2019(04):131-137[2019-04-23].

[3]潘涛,王胜利.支持向量机在语音情感识别中的应用[J/OL].电子技术与软件工程,2019(06):135[2019-04-23].

[4]王东平,吴志刚.基于灰色关联支持向量机回归的纱线质量预测[J].山东工业技术,2019(09):158-159.

[5]许献磊,李俊鹏,王亚文,鞠齐民.基于支持向量机的道路地下空洞量化识别方法[J].工程勘察,2019,47(04):70-78.

[6]李建森,沈齐,范馨月.城市道路短时交通流量预测[J].数学的实践与认识,2019,49(05):192-197.

作者：郑友康 单位：贵州大学电气工程学院