基于Lagrange支持向量回归机交通流量预测模型的研究——与BP神经网络预测模型比较

摘要

交通系统是支持社会经济发展的基础设施和“循环系统”，在社会经济系统中占有重要的地位。交通问题解决的好与坏，直接影响着国民经济的发展与人民生活质量的提高。及时、准确的交通流预测是实现交通流控制与诱导的基础性问题，随着预测时间跨度的缩短，交通流显示出来的非线性、时变性、不确定性越来越强，历史平均模型、时间序列模型、卡尔曼滤波模型、非参数回归模型、神经网络模型、组合预测模型等这些传统预测模型的预测效果和预测精度不甚理想。本文利用Lagrange支持向量回归机算法提出了一种预测模型，通过仿真试验并与BP神经网络预测模型的对比，显示出该方法具有预测精度高、速度快的优势。
　　第一章主要介绍我国城市交通发展的状况及其问题对策、智能交通系统的内容及关键问题和本论文的研究目的、意义。
　　第二章主要阐述交通流的理论相关知识、当前常用的交通流量预测方法。
　　第三章研究BP神经网络预测模型，首先介绍神经网络的基本理论，然后研究BP神经网络的算法以及改进算法，最后建立预测模型。
　　第四章研究Lagrange支持向量回归机预测模型，介绍支持向量机的数学理论基础——统计学习理论、支持向量机标准算法，将其推广到Lagrange支持向量回归机算法并建立预测模型，最后对Lagrange支持向量回归机算法和BP神经网络算法进行较全面系统地对比。
　　第五章进行仿真试验，本文给出了一种构造时间序列数据集的方法，通过Matlab实现仿真试验，显示出了Lagrange支持向量回归机预测模型较好的预测效果。
　　第六章总结论文主要工作并给出了未来工作的展望。

目录

封面

声明

中文摘要

英文摘要

目录

Contents

1 绪 论

1.1我国城市交通发展现状

1.2我国城市交通问题的对策

1.3 智能交通系统概述

1.4 目前ITS 研究的内容和关键问题

1.5 论文研究的目的和意义

1.5 论文研究的内容

2 交通流特性分析与交通流预测方法

2.1 交通流概念及交通流的特性

2.2 交通流理论

2.3 交通流预测方法

3 BP神经网络交通流预测模型

3.1 神经网络基本理论

3.2 BP神经网络学习算法

3.3 BP神经网络交通流预测模型的建立

3.4 BP神经网络在Matlab中的实现

4 Lagrange支持向量回归机交通流预测模型

4.1 统计学习理论概述

4.2 支持向量机

4.3支持向量机回归机

4.4 Lagrange支持向量回归机交通流预测模型的建立

4.5 LSVR与BP神经网络的比较

5 LSVR与BP神经网络交通流预测方法仿真与分析

5.1 数据处理

5.2 误差指标

5.3 短时交通流预测的比较

6 总结与展望

6.1 论文的主要工作和创新点

6.2 展 望

致谢

参考文献

攻读学位期间发表论文与参加科研情况