基于批处理增量Lagrange支持向量回归机的短时交通流预测模型

实时、准确的交通流预测是智能交通控制和诱导的关键之一,针对实际中短时交通流数据批量增加的情况,为了提高预测模型准确性、缩短运行时间和模型更新问题,文章提出了一种基于批处理增量学习Lagrange支持向量回归机的短时交通流预测模型。仿真实验表明,与传统的支持向量回归机增量学习算法相比,提高了模型的预测精度,缩短了训练时间。     

支持向量机在交通流量实时预测中的应用

实时、准确的交通流量预测是正在发展的智能交通系统的关键问题之一,对于交通控制和交通流诱导都有着直接的影响。提出一种基于支持向量机的交通流量实时预测模型,通过采用序贯最小优化算法,能够实现对交通流量的有效预测。应用实例表明,支持向量机具有良好的泛化性能,在输入信号混有10%噪声的情况下,支持向量机的鲁棒性更好,预测的平均误差为4.25%,预测结果优于BP神经网络和动态递归神经网络。     

基于改进支持向量机的交通流量预测算法研究

城市交通流具有复杂性、时变性和随机性,如何实时准确的预测交通流量是实现智能交通诱导及控制的前提.结合交通流的时间序列特性,提出基于改进支持向量机的交通流预测算法,该算法能够克服神经网络预测的不足,对支持向量机算法在嵌入维数、核函数和参数选择上进行了改进.实验仿真结果表明,该算法具有很好的预测精度和适用性.     

混合智能算法在城市道路短时交通流量预测中的研究

对城市道路短时交通流进行准确预测是实现城市交通控制与交通诱导的关键。针对目前单一预测方法预测精度不高的问题,提出了小波与支持向量机（SVM）融合的预测新方法;同时为了避免SVM知识学习过程陷入局部最优的问题,采用粒子群算法（PSO）来优化SVM的关键参数,以提高对短时交通流量的预测精度。通过对武汉市道路交通流数据的实验分析,结果表明所提出的方法能够准确提取实验数据关键特征,显著提高SVM的预测精度,且结果比单一使用方法提高了近9%。     

基于时空GPSO-SVM的短时交通流预测

为了提高城市道路短时交通流预测的精度,提出了一种基于时空遗传粒子群支持向量机的短时交通流预测模型.通过主成分分析法对路网原始交通流量进行时空相关性分析,用较少的主成分代替原始交通流量并作为预测因子,在粒子群算法中引入遗传算法的交叉和变异因子,避免粒子群算法陷入局部最优.利用改进后的粒子群算法优化支持向量机参数,得到最优的支持向量机模型,并实现城市道路的短时交通流预测.以长春市路网的实测数据为基础进行了实例验证,结果表明,优化支持向量机参数时,遗传粒子群算法不会陷入局部最优,优化效果更好;与粒子群支持向量机模型和遗传粒子群支持向量机模型相比,所提出预测模型的相对误差波动较稳定,平均预测精度分别提高了4.96%和3.41%.      

基于主成分分析与支持向量机结合的交通流预测

为提高交通流预测的预测精度和预测速度,提出了用非线性回归支持向量机与主成分分析相结合进行交通流预测的方法。主成分分析用来对交通流预测的预测变量进行特征抽取,用较少的主成分代替原预测变量．将生成的主成分输入到非线性回归支持向量机,进行交通流预测,支持向量机的核参数利用Bayesian推理进行确定。通过对济南市交通数据的实例分析来验证该方法的有效性。结果表明,非线性回归支持向量机与主成分分析相结合进行交通流预测不但可以提高交通流预测的精度,同时还可以降低预测所需的计算量,满足交通流预测的实时性要求,预测精度比目前常用交通流预测方法的预测精度有所提高。     

基于模糊理论的高速公路交通事件的自动检测

根据交通流量、速度和占有率,构造不同交通流状态的隶属函数,根据最大隶属度原则进行交通流状态的识别;利用支持向量机的全局优化、适应性强、泛化性能好等优点,针对实时交通流数据的随机性、高维、非线性和时变等特性,将模糊支持向量机(FSVM)应用于高速公路交通事件检测问题中。在识别阶段利用60组实测数据训练模糊支持向量机,利用60组实测数据进行测试,测试结果表明,利用FSVM进行交通事件检测,识别率达到96.7%,从而验证本文的方法是切实可行的。     

基于小波消噪的ARIMA与SVM组合交通流预测

针对实际交通系统时变复杂和变化的不确定性所带来的交通流量非线性和强干扰性的特征,首先应用小波分析方法,对原始交通数据进行了消噪处理,使消噪后的数据更能反映交通流的本质及变化规律;然后采用自回归求和滑动平均(ARIMA)和支持向量机(SVM)的结合预测模型对交通流进行了预测,最后用实测交通数据进行了验证分析,得到了两个结论:一是组合预测模型比单个预测模型的预测精度高;二是小波分析消噪后的组合预测模型比没有消噪的组合预测模型预测精度高.结果表明消噪后的组合预测模型具有较高的预测精度,可用于交通流的实时动态预测.     

城市道路交通量短时预测的GSVMR模型

在分析现有城市道路交通量短时预测方法缺陷的基础上,针对目前广泛采用的基于经验风险最小化的BP网络易于陷入局部最优解等缺点,结合遗传算法容易寻找全局最优解与支持向量机回归法具有结构风险最小化的特点,提出了将两种算法相结合的GSVMR预测模型,该模型同时具有结构风险最小和容易寻找最优解的双重特性,并对某城市四车道主干道路8：00,8：45的交通量进行了预测,结果表明用该模型进行城市道路交通量短时预测所得结果误差较小,依此验证了用GSVMR模型进行城市道路交通量短时预测的有效性。     

基于SVR的汽油机过渡工况进气流量预测研究

针对目前汽油机进气流量预测精度不高的问题，分析支持向量回归机(SVR)应用在进气流量预测的可行性，提出一种基于SVR的进气流量预测模型。该模型通过结合支持向量回归机的结构优势，采用灰色关联分析法(GRA)对模型的特征向量进行提取，并利用遗传算法(GA)对模型参数进行寻优辨识，以提高模型的泛化性能和预测精度。运用汽油机过渡工况仿真试验数据对模型进行了训练和预测，并应用MATLAB/LIBSVM工具箱实现SVR模型的回归预测功能。结果表明：SVR模型的预测值与试验值的误差控制在2%范围之内，有效实现了过渡工况进气流量的预测；与常规的RBF神经网络预测模型、BP神经网络预测模型相比，SVR模型具有更高的预测精度，适用于汽油机过渡工况空燃比的精准控制。