基于支持向量回归机和多变量相空间重构的短时交通流预测

摘要

实时准确的交通流预测是交通信号控制系统和交通流诱导系统应用的前提和关键，其预测精度直接关系到交通控制和交通诱导的运行效果。由于交通系统具有随机性、时变性、强非线性等特点，因此人工智能方法越来越受到人们的重视。支持向量机是一种基于结构风险最小化和统计学习理论的机器学习方法，它能有效地解决小样本、非线性、高维数以及局部极值等模式识别问题。此外，研究表明交通流还具有混沌特性。因此，将支持向量机和混沌理论结合应用于短时交通流预测中具有重要意义。本文首先总结了国内外短时交通流预测现状;然后分析证明了交通流数据的混沌特性;最后以此为基础，提出了一种基于支持向量回归机(Support Vector Regression，SVR)和多变量相空间重构的短时交通流预测模型。本文的创新点主要体现在模型的设计原理上，即本文采用多变量时间序列进行建模。本文主要研究工作如下:
　　①在介绍PeMS12.3数据库的基础上，分析了交通流基本特征参数（交通流量、占有率和平均速度），研究了交通流数据的预处理方法，并完成了对实测交通流数据的预处理:缺失或错误数据的预处理、降噪处理。
　　②在概述混沌理论的基础上，介绍了多变量相空间重构理论，并完成了对预处理后的交通流数据的实验，得出了交通流量、占有率、平均速度时间序列的嵌入维数和延迟时间，以及实现了多变量相空间重构。
　　③在分析交通流混沌特性及其混沌特性判别方法的基础上，对交通流量、占有率、平均速度时间序列进行最大Lyapunov指数的计算，结果验证了这三种序列都具有混沌特性。
　　④结合混沌理论及支持向量回归机原理，利用遗传算法对支持向量回归机参数进行优化选取，构建了基于多变量相空间重构的SVR短时交通流预测模型，提出了交通流预测流程，给出了预测评价指标（平均绝对误差、平均相对误差、均方误差），最后利用该模型对实测交通流数据进行了实验，同时与基于单变量相空间重构的SVR预测模型进行了比较。
　　实验结果表明:本文提出的基于多变量相空间重构的SVR短时交通流预测模型的平均绝对误差、平均相对误差和均方误差均小于基于单变量相空间重构的SVR预测模型。说明了本文提出的模型预测效果更好，较充分地验证了本文提出的模型能有效地进行短时交通流预测。

目录

声明

摘要

第一章 绪论

1．1 研究背景和意义

1．2 短时交通流预测的研究现状

1．3 本文主要研究内容和组织结构

1．3．1 研究内容

1．3．2 组织结构

1．4 本文创新点

1．5 本章小结

第二章 交通流数据分析

2．1 交通流基本特征参数

2．2 交通流信息采集技术

2．3 数据来源

2．4 交通流数据的预处理

2．4．1 缺失或错误数据的识别与处理

2．4．2 交通流数据降噪处理

2．4．3 实测交通流数据预处理

2．5 本章小结

第三章 多变量相空间重构及交通流混沌特性

3．1 混沌理论

3．1．1 混沌的数学定义

3．1．2 混沌运动的特点

3．2 多变量相空间重构

3．2．1 多变量相空间重构基本理论

3．2．2 延迟时间和嵌入维数的选取

3．3 交通流混沌特性

3．3．1 交通流混沌特性分析

3．3．2 交通流混沌特性判别

3．4 混沌实验

3．4．1 延迟时间和嵌入维数的计算

3．4．2 最大Lyapunov指数的计算

3．5 本章小结

第四章 基于多变量相空间重构的SVR短时交通流预测模型

4．1 支持向量回归机原理

4．1．1 统计学习理论

4．1．2 支持向量机

4．1．3 支持向量回归机

4．2 遗传算法

4．2．1 基本原理

4．2．2 主要特点

4．3 基于多变量相空间重构的SVR短时交通流预测模型

4．3．1 模型的建立

4．3．2 参数的选取

4．3．3 预测步骤

4．4 实证性研究

4．4．1 评价指标

4．4．2 预测实验

4．4．3 模型比较

4．5 本章小结

第五章 总结与展望

致谢

参考文献

附录

在学期间发表的论著及参与的科研项目