基于支持向量机动态交通流量预测方法研究.pdfVIP

基于支持向量机的动态交通流量预测方法研究 郑友妍，吕永波，任远，王永明 北京交通大学交通运输学院，北京（100044 ） E-mail 摘 要：动态交通流量预测是交通控制、车辆导航等领域需要解决的重要问题之一。研究 动态交通量预测的理论和方法，对于缓解城市交通堵塞、避免社会资源的浪费有着重要的 意义和应用价值。支持向量机这种新的机器学习算法，具有预测能力强、全局最优及收敛 速度快等显著特点。本文根据动态交通流的特性，将支持向量机的思想应用于回归预测， 对动态交通流量预测的过程进行了模拟。 关键词：支持向量机，动态交通流量，预测方法 1 引言 作为城市智能交通系统的重要研究方面，交通流诱导系统是目前公认的提高交通效率 和机动性的最佳途径，同时交通流诱导系统的实现也将有效地减少交通拥挤和城市环境污 染、提高道路通行能力和改善交通安全状况等[1] 。最佳路径的计算是交通流诱导系统的关 键部分，其结果是评价系统性能的重要指标，而精确的动态交通流预测是进行最佳路径计 算的基础。由于交通流量运行的高度复杂性、随机性和不确定性，传统的预测技术方法已 经不能满足实践中越来越高的精度要求。 神经网络凭借其逼近任意非线性函数的能力和所具有的容错、自学习等优点，已被国 内外学者用于建立交通流量预测模型，并取得了不少有效的研究成果。但神经网络这种“黑 箱”式学习模式在训练过程中需要大量的原始数据，数据不足会导致不好的预测结果；训练 完成的网络只适合于当前研究路段，当道路条件和交通状况改变时，训练完成的网络将不 再适用，也不能用于其他路段，故推广能力差；同时，神经网络的学习算法采用经验风险 最小化原理，不能使期望风险最小化，在理论上存在缺陷；隐层神经元的数量需要由经验 进行确定，没有统一的方法。隐层节点过多，会造成网络结构庞大，计算时间长，降低网 络的推广能力；而隐层节点数过少，则难以保证所解决的问题的精度要求。神经网络模型 大多使用固定的转移函数，训练过程只能通过调整神经元的权值进行数据处理，即只有神 经元外部的处理能力[2] 。这种不足导致神经网络预测存在着局部极小，收敛速度慢，推广 能力差，以及难以实现在线调整等问题。 自1970 年以来，Vapnik 等人发展了一种新的学习机——支持向量机。最早用于模式识 别（分类问题、判别分析），在交通运输领域常见于车型识别和车牌识别[3]，而后逐渐发 展的支持向量机回归理论目前尚属理论研究层面，与现有的学习机包括神经网络，模糊学 习机，遗传算法，人工智能等相比，它具有许多的优点。最重要的是支持向量机的理论基 础是统计学习理论，其为解决有限样本学习问题提供了一个统一的框架，它能将很多现有 方法纳入其中，具有可调参数少，结构易于确定等优点。交通流在短期预测过程中往往体 现小样本的特性，可见，支持向量机预测方法在某些情况下相对于传统的预测方法和目前 发展较为迅速的神经网络预测在动态交通流预测领域中能更好的发挥自身的优势，取得良 好的预测效果。 - 1 - 2 动态交通流量预测模型 2.1 模型的建立 路段交通流量不同时刻具有统计规律。本文采集两类数据：工作日12小时（7:00- 19:00）路段交通量数据和周末16小时（6:00-22:00 ）路段交通量数据。将这两类数据训练 后可得到两类模型分别预测各时刻路段的交通流量。 i τ τ 设V (τ) 为路段 上 时刻的交通流量向量，V (τ−1) 是 时刻前一个时刻的交通流 i i 量向量。考虑到路段的长度和交通流的特性，我们采用当前时间段和前5个时间段的交通流 量对未来时间段的交通流量进行预测。这样，我们将V