基于支持向量机的快速路小时交通量预测本科毕业设计(编辑修改稿)

基于支持向量机的快速路小时交通量预测本科毕业设计(编辑修改稿)内容摘要：

交通流参数及预测方法 交通流 基本参数 通过对交通流量的实时诱导和控制是智能交通系统研究 的根本目的，正确、及时地分配交通流量，从而缓解道路拥堵的情况，使交通网络畅通，高效。 因此，如何对交通流量做出正确准确及时的预测，是控制和分配交通流量的前提。 交通流具有时间和空间的变化特性，这种时空特性是某空间位置 交通流运行状态的定性，定量特征。 交通流量的预测实际就是对交通流 基本参数的预测，交通流 基本参数包括宏观参数和微观参数。 宏观参数是指通过整体的道路运行状态特性表现出来，主要包括流量、速度、密度、道路占有率、排队长度等；微观参数是指道路中前后相关车辆间的运行状态特性，其中有车头间距与车头时距。 一般情况下 ，主要选择流量、速度和密度来反映交通流量的运行状态。 流量，是指在单位时间内通过某一断面的实际车辆数，是描述交通流 特征的三大参数之一。 流量是随时间和空间变化而变化的，要在道路系统一系列的位置上，搜集流量在时间和空间上数据和变化，为交通量的诱导和控制提供数据参考。 速度，是指车辆在单位时间内通过的距离，是描述交通流特性的三个基本参数之一。 速度有几种，其中包括地点速度、行程速度、行驶速度、临界速度和设计速度。 密度，是指在单位长度道路上，某一瞬时所存的车辆数量。 密度是瞬时值，随着时间和空间的变化而发生变化。 密度 也是描述交通流特性的参数之一，应用在划分道路服务水平等方面。 交通流量数据的采集和特性 交通流量是无时无刻都在变化的，因此 如何获取准确的实时交通流量信息对下一时段或周期的交通流量预测十分 重要。 当前交通流量数据是预测的依据，所以交通流量数据的采集是交通流量预测的第一步。 随着交通科技水平的发展，各种交通信息数据采集设备和技术应运而生。 动态交通流量数据采集技术分为固定型采集技术以及移动型采集技术等。 固定型采集技术主要是指运用安装在固定地点的交通检测设备对来往的车辆进行采集交通流量信息的方法，这些设 备安装在快速路的主干道或者次干道的交叉路口。 这种技术以线圈检测为代表，其具有技术成熟，精度高的优点，但是因为只能检测安装设备路段的交通流量信息，所以信息的完备性较差。 移动型采集技术是指用安装有检测设备的移动车辆在道路上采集交通流量信息的方法，这种技术以浮动车检测技术为代表，因为能检测到整个路段，所以采集到的交通信息的完备性好，但也存在精度不高的情况。 运用交通流检测系统和路段检测器，可获得车辆通行数据资料，在交叉口路五邑大学本科毕业设计 11 口前后分车型交通流信息，然后按照标准车型换算表换算成当前交通流量。 由获得的交通流信息可以看出 ，交通流具有以下特性： 交通流的时间、空间特性：交通流量在不同的时间或者不同的空间有不同的情况出现，而且同一地点不同时间的交通流也有很大的不同。 交通流的不确定特性：交通流变化过程是非线性，高维度，非平稳的随机过程，容易受各种因素的影响。 例如：本路段过去几个时段或者周期的交通流量，路段上下游的交通流量，天气变化，交通道路通行状况等。 此外，旅客会根据实际交通路况来调整行程和路线，交通拥堵的路段也就会随之发生变化。 交通流的自组织特性：将由系统内部决定，系统有序的结构形成与完善叫做自组织。 构成交通流 的行人和车辆会已实际交通状况来确定他们的行动方式，导致原能最有效的疏导交通的时间增长，而这种集体行为从产生到消失的时间很短暂。 所以宏观上交通流量的演化过程存在自组织现象。 综合上面的交通流特性可知，交通流是一个巨大而且复杂的网络，每一个因素都会影响着交通流的产生和发展变化。 但每一次的变化绝非偶然，而是其内部因素相互影响的必然结果，决定着下一时刻的短时交通流的变化。 交通流的时空性，随机时变不确定性等特性，呈现出一个错中复杂的交通网络，为交通流预测带来巨大的障碍和困难。 因此，交通流的预测方法是世界研究的重要课题 之一。 交通流预测的方法 交通状态预测概述 预测是对客观事物的未来发展状态和变化趋势进行的分析推测，为后来的制定计划和决策提供依据。 人们根据事物间的相互联系，应用科学知识和手段从已经掌握的历史资料数据中进行推断。 如今，预测已经运用到各种领域，如：经济预测、社会预测、技术预测等领域。 按照预测的性质，可以分为定性预测和定量预测： 定性预测是以主观认识经验和逻辑判断为主，对事物未来的发展趋势和发展状况进行推测判断。 定性预测一般应用于缺乏历史资料的事件，更多的是根据专家经验进行预测。 定量预测是指根据准确、及时、全面的调查统计资料，运用统计方法和数学模型，对事物发展前景的水平、规模做出预测。 定量预测和统计的数据资料，资料有密切关系，所以也称为统计预测。 常用方法有回归法、时间序列法等。 交通流量预测属于社会预测 的范畴 ，对社会的发展产生重要的作用。 交通管理部门根据城市道路状态进行实时动态管理和控制，为市民交通出行信息服务。 准确的道路交通信息预测，对进行科学合理的交通诱导和控制，提高快速路的通行效率，缓解交通拥堵情况，减少环境污染资源浪费有着重要的社会意义。 然而，道路交通是一个无时无刻都在变 化的复杂巨系统，道路状态预测难度五邑大学本科毕业设计 12 很大。 要发挥智能交通诱导与控制的作用，就必须做好交通流量的预测工作。 交通流量预测是基于动态获取的交通流量数据的时间序列来预测未来时段交通流量数据。 常用流量，速度和占有率等作为反映 交通流量状态的参数，因此，交通流量预测实质上是对这些交通流量 的参数进行预测。 典型的交通流量状态预测以统计分析的方法为基础，比如有历史趋势法、时间序列法等。 历史趋势法模型比较简单，但精度较差，无法实时反应交通流量的时间变化特性，在没有准确实时的要求下，可以取得较好的效果。 时间序列法相比前者计算简便，易 于实时进行更新，便于应用。 随着道路交通流量的随机性和非线性更强，后来就出现了支持向量机、神经网络、模糊理论、混沌理论和元胞自动机等非线性系统理论为基础的非线性预测模型。 交通流量预测要解决的是从具有随机性和不确定性的交通流量变化中，对采集来的交通流量参数数据进行数据研究分析，找出内在规律并建立预测模型和方法， 以此 来预测未来时段或周期的交通流量变化，其基本流程如图 31 所示： 图 31 小时交通流量预测流程 根据上述交通流量预 测的概念，建立的预测模型应该符合如下的要求： 实时性和准确性。 预测模型要具备快速计算能力，且交通流量预测结果满足相对误差要求要求。 动态反馈性。 交通流量一旦发生特殊 情况，能及时反馈到计算模型中进行调整。 可靠性。 交通流量预测受到的影响因素多种多样，例如天气的变化，道路施工，交通事故等，因此模型应具有很好的抗干扰能力以及可以通过改变参数来适应时间和空间的变化。 交通量短时预测方法 交通优化和交通管理和控制的基础不能缺少交通流的预测研究，预测的信息是依据小时、日、月、季 度、年为单位进行统计数据，也可能根据当前时段或者周期来预测下一个周期或时段的交通流状态。 因此，做好交通流量短时预测非常重要，关系到交通诱导和控制的正常进行。 迄今为止，已有很多理论和方法应用于短时短时交通流量预测领域，有基于线性系统理论的预测方法、基于知识发现的智能模型的预测方法、基于非线性系统理论的预测方法、基于组合模型的预测方法、基于交通模拟的预测方法等。 上述的交通流预测的模型和方法，各有 缺点。 基于线性系统理论的预测方法车辆检测器采集的数据 交通流量数 据 预测模型和方法 交通流量状态预 测 五邑大学本科毕业设计 13 计算复杂性低，操作简单，但对于路况复杂的交通系统则不能满足预测结果的精确性和动态反馈 性。 基于非线性的系统理论的预测方法体现了交通状态非线性的特征，精确性较高，但计算复杂，理论有待深入。 基于知识发现的智能模型有很强的数据处理能力，预测结果令人满意，但计算复杂性高，参数选择困难。 基于组合模型的预测方法能结合各种模型的优点，如组合方法不当，预测效果可能反而变差。 从目前情况来看，每一种方法都有自己的适用范围和条件。 对于某种特定的情形，预测结果能获得令人满意的结果，而在其他环境下，预测的结果却差强人意。 所以，对于各种环境下的交通流预测，应该是多种方法，相互协调补充的过程。 短时交通流预测与其他的预 测应用不同，提出了更高的要求，短时交通流预测是在线、实时完成的。 一方面，短时交通量预测是为交通诱导和控制提供依据，所以预测模型必须在短时间内完成复杂的计算，保证及时对下一时段的交通量进行估计，否则预测结果也是无用的。 另一方面，交通流数 据的检测、传输也是实时完成的，要从预测系统中获取大量的数据中作出准确性评价，作出 科学准确的预测。 本章小结 本章对交通流的基本参数 —— 流量、速度、密度，进行了简要的叙述，了解到交通流具有时空特性，随机性，不确定性，不可预知性等特性，充分说明交通网络是一个复杂且时变的网络。 接着对交通预测的概念进行了说明，对众多的交通 流量 预测方法进行分类，提出了交通预测模型应具备的要求。 最后提出了交通状态短时预测的方法，交通短时 预测方法具有实时性、准确性、可靠性等特性，对交通管理和控制有指导的 效果，是智能交通的关键技术之一。 五邑大学本科毕业设计 14 第 4 章 基于支持向量机的小时交通流预测 概述 第 2 章所提及的机器学习在交通流预测中主要是回归预测问题，就是从采集到的交通流量数据中找到规律，利用规律对未来交通流量数据进行预测，然后掌握交通流量的变化规律，根据规律采取相应的措施，实行交通诱导和控 制。 支持向量机和神经网络是众多新算法研究中的热点，都属于机器学习方法的范畴。 神经网络具有逼近任意非线性函数，容错和自学习的优势，具有强大的并行处理能力，学习能力和自适应能力。 但是，神经网络的学习过程过分依赖 经验风险最小化原则，在小样本数据的学习过程中容易出现过学习现象，以致于泛化能力低下。 此外，神经网络算法容易受到网络结构复杂性和样本复杂性的影响，容易陷入局部极小点和出现“维数灾害”问题。 基于支持向量机预测交通信息的思想在于，首先选择非线性映射把样本向量从原空间向量映射到高维特征向量，然后在高维特征空间 构造最优的决策函数。 采用结构最小化原则，引入决策函数，利用原空间的核函数取代高维特征空间的点积运算。 根据算法的不同，用于预测交通量的有  支持向量机、  支持向量机和最小二乘支持向量机（ LSSVM）等。 支持向量机回归的交通信息预测 基于支持向量机的预测方法，核心在于利用支持向量机回归的思路。 小时 交通流量的支持向量机回归预测方法，是支持向量机回归理论在短时交通流预测中的一种应用，在交通状态随机的变化过程中，根据交通流量状态基本参数，结合其他因素，利用历史数据训练支持向量机，寻找出输入与输出之间的规律，建立支持向量机回归预测模型，以预测下一个时段或者周期的交通流量。 应用支持向量机预测交通流，先用历史数据来训练支持向量机，从而得到输入与输出之间的相互依赖关系，那么预测时就能给定相应的输入就能得到交通流预测结果。 假设给定训练数据样本 {(x1, y1), … , (xl, yl)}RnR。 用非线性映射TN xxx ))(,),(()( 1   把输入的数据样本从原空间映射到高维特征空间，在高维空间构造最优决策函数，同时引入损失函数，用原空间的核函数取代高维特征空间的点积运算，实现线性回归，即特征空间中构造分类超平面：  Nn nn bxwxf 1 )()(  （ ） 在高维空间的线性回归对应着低维空间非线性回归，定义不敏感损失函数： })(,0m a x {),(   iiii xfyfyxL （ ） 五邑大学本科毕业设计 15 支持向量回归 （ SVR）问 题就找到适当的逼近函数 )(f 使 )(wE 最小 ： li ii fyxLCE 1 ),()(21)(  （ ） 式中 ： TNw ),( 21   为 线性权值向量； ni Rx 是第 i 个输入 , Ryi 是对应的期望输出。 C 是复杂度和样本拟合精度的折 衷 ，其值越大则拟合精度越高；不敏感损失函数  即回归允许的最大误差， 当它的 值越 大时 ，支持向量 数量 越少。 这样式子   139。 )(i iii xw 就变成：  li iii xw 139。 )()(  （ ） 相应的对偶形式为：       lji li li iiiiijijji yxxw 1, 1 1 39。 39。 39。 39。 39。 )()())()()()((21),(  （ ） 核函数 ),( ji xxK 满足 Mercer 条件，代替 ))(),(( ji xx  ， ))(),((),( jiji xxyxK  ，把内积式转化成核函数式： 。