基于相空间重构与LSSVM 交通流量预测.docVIP

. . 　　 本文档下载自 HYPERLINK / 文库下载网，内容可能不完整，您可以点击以下网址继续阅读或下载：  HYPERLINK /doc/89d26ca0b0717fd5360cdc2b.html /doc/89d26ca0b0717fd5360cdc2b.html 基于相空间重构与LSSVM的交通流量预测 交通流预测 ４２期　总第２年第０１０５期　２交　通　科　技 ＴｒａｎｓｏｒｔａｔｉｏｎＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏ　　ｐｇｙ　ＳｅｒｉａｌＮｏ．２４２　 Ｎｏ．５Ｏｃｔ．２０１０ ／ＤＯＩ１０．３９６３．ｉｓｓｎ２０１０．０５．０２７　－ｊ 基于相空间重构与ＬＳＳＶＭ的交通流量预测＊ 杨　文　弓晋丽 （）同济大学交通运输工程学院　上海　２０１８０４ 摘　要　针对仅利用欧氏距离不能准确反映相空间中相点间的相似性大小，提出一种改进预测模该模型同时考虑相点间的欧氏距离和相似性来选取邻近点。在对交通流量时间序列进行相空型， 间重构后，运用最小二乘支持向量机分别对不同方法得到的邻近点进行训练，并对未来时段的交通流量进行了多步预测。实际案例的预测结果表明，改进方法比一般方法具有更好的适应能力和预测精度。 关键词　智能交通系统　流量预测　相空间重构　欧氏距离　最小二乘支持向量机 　　交通流诱导作为城市智能交通系统的重要研 究方向，可以有效地减少交通拥挤和城市环境污 １］ ，染、提高道路通行能力和改善交通安全状况等［ 一分量的演化都是由与之相互作用着的其他分量所决定的，这些相关分量的信息就存在于任一分量的发展过程中。这样，就可以从某一分量的时间序列数据中提取和恢复系统原来的运动规律。因此，在重构一个相空间时，只需考虑一个分量，通过决定系统长期演化的单一变量时间序列来研 ［］ 究系统的混沌行为。Ｔａｋｅｎｓ４证明了在由一维 而实现城市交通流诱导系统的关键和前提是道路也就是如何有效地利用交通数交通状况的预测， 据信息去预测未来时段内的交通状况。过去对交通流量的预测主要是采用指数平滑法、ＡＲＩＭＡ ［］ 法、Ｋａｌｍａｎ滤波法等２。这些经典的分析方法 观测序列及其适当的延时值所构成的维数合适的相空间中，混沌系统演化的动力学特征可由此空间中的点的演化轨迹无歧义的表达出来。将这个/doc/89d26ca0b0717fd5360cdc2b.html观测值及其延时值所构成的空间称为重构相空间，这种以数据构造系统等价相空间的方法叫做相空间重构法。 …，，对于时间序列｛ｘｉ＝１，２，ｎ｝ｎ为序列的ｉ，长度。根据Ｔ重构相空ａｋｅｎｓ提出的嵌入定理， ［］ …，，…，间为（ｘｘｘｉ＝１，２，Ｍ５。式ｉ，ｉ＋ｉ＋（ｍ－１）τ，τ） 是把交通流量这一时间序列看成随机过程进行研究的，因而整个理论是以随机过程为基础的。随着混沌理论的引入，人们发现复杂系统的本质往往不是随机因素而是非线性动力系统中的混沌因 ３］ 。在混沌预测中关键是邻近点的确素所造成［ 定，因为预测精度在很大程度上取决于所选取的邻近点。然而以欧氏距离公式所确定的邻近点并不能准确反映邻近点与原相点间的相似性，因此在高嵌入维数的重构相空间其预测精度往往不够理想。据此，本文提出了一种改进方法的预测模型，该模型在选取邻近点时，将同时考虑相点间的欧氏距离和相似性。１　相空间重构的基本原理 相空间重构是根据有限的数据在重构的相空间中把系统的混沌吸引子恢复出来以研究系统动力学行为的方法，其基本思想是：动力学系统中任 中：ｘｍ为嵌入维数；τ为延迟时ｉ为相空间的点； 间；Ｍ为重构相空间中相点的个数，Ｍ＝ｎ－（ｍ－）相空间的吸引子矩阵为１ｒ，ｘ１ｘ２ …ｘτｘｎ＋１－（τｘｎ＋２－（ｎｍ－１）ｍ－１）ｍ－１）－（τｘ１＋τｘ２＋τ ｘ１＋２τｘ２＋２τ …ｘ１ｍ－１）＋（τ ｘ２＋（ｍ－１）τ  ｘｎ ２　最小二乘支持向量机 支持向量机是一种新型机器学习算法，与传 ）；国家高技术研国家自然科学基金重点项目（（）发展计划（８６３计划）２００７ＡＡ１１Ｚ２４５ 收稿日期－ 统的神经网络学习方法不同，实现了结构风险最小化归纳原则，而神经网络方法实现的是经验/doc/89d26ca0b0717fd5360cdc2b.html风险最小化归纳原则。支持向量机模型同时最小化 ２０１０年第５期杨　文　弓晋丽：基于相空间重构与ＬＳＳＶＭ的交通流量预测 ７９ 经验风险与ＶＣ维的界，这就取得了较小的实际风险，即对未来样本有较好的泛化性能。支持向量机的另一个优点是它的训练等价于解决一个线性约束的二次规划问题，存在惟一解，解中只有一部分系数不为零，对应的样本就是支持向量。支持向量机己经扩展为解决非线性回归估计问题，而且与神经网络方法相比，有着显著的优越性，被认