基于 SVM 的拉萨市短时交通流预测

郭 航宇, 易 礼发, 吴 恒建, 程　 刚*
西藏大学（工学院）

摘要


本研究旨在利用支持向量机（SVM）模型进行拉萨市汽车交通流量短时预测。通过对拉萨市交通流量的时序数据
进行采样和处理，构建了训练样本集和预测样本集。在模型构建过程中，采用了适当的核函数类型、惩罚因子和不敏感损
失参数，以提高模型的预测性能。通过求解二次规划问题，得到了 SVM 模型的最优分类面，并利用训练样本集建立了目标
函数。在预测阶段，利用测试样本集对未来时刻的交通流量进行预测。通过对比传统方法，如统计模型、非线性预测模型
和神经网络模型等，本研究发现基于 SVM 的短时交通流预测模型在准确性和鲁棒性方面取得了显著的优势。

关键词


机器学习；支持向量机；短时交通流预测

全文:

PDF


参考


[1]VythoulkasPC.Alternativeapproachestoshorttermtrafficf

orecastingforuseindriverinformationsystems[M].Berkeley:ElsevierS

ciencePublishers,1993.

[2]AhmedMS,CookAR.Analysisoffreewaytraffictimeseriesd

atabyusingbox-Jenkinstechniques[J].TransportationResearchReco

rd,1979,722:1-9.

[3]DendrinosDS.Operatingspeedsandvolumetocapacityrati

os:theobservedrelationshipandthefoldcatastrophe[J].Transportation

Research,1978,12(3):191-194.

[4]HuangK,ChenS,ZhouZG.Researchonnon-linearchaoticp

redictionmodeforurbantrafficflow[J].JournalofSoutheastUniversity:

EnglishEdition,2003,19(4):411-413.

[5]JiangX,AdeliH.Dynamicwaveletneuralnetworkmode

lfortrafficflowforecasting[J].JournalofTransportationEngineeri

ng,2005,131(10):771-779.

[6]LedouxCorinne.Anurbantrafficflowmodelintegratingneu

ralnetwork[J].TransportationResearchPartC:EmergingTechnologi

es,1997,5(5):287-300.

[7]姚智胜 , 邵春福 , 高永亮 . 基于支持向量回归机

的交通状态短时预测方法研究 [J]. 北京交通大学学报，

2006,30(3):19-22.

[8]王凡 . 基于支持向量机的交通流预测方法研究 [D].

大连 : 大连理工大学计算机学院 ,2010.

[9]VapnikV. 统计学习理论的本质 [M]. 张学工 , 译 . 北

京 : 清华大学出版社 ,2000.

[10]张学工 . 关于统计学习理论与支持向量机 [J]. 自动

化学报 ,2000,(01):36-46.




DOI: http://dx.doi.org/10.12361/2661-3506-05-19-131501

Refbacks

  • 当前没有refback。