粒子群优化支持向量机的交通量预测方法.pdfVIP

第31卷第2期 山西大同大学学报(自然科学版) V0l_31．No．2 2015年4月 JournalofShanxiDatongUniversity(NaturalScience) Apr2015 文章编号：1674一O874(2015)O2—0025-04 粒子群优化支持向量机的交通量预测方法 王 惟 ，李志鹏 (1．晋中学院数学院，山西晋 中030619； 2．南京理工大学能源与动力工程学院，江苏南京210094) 摘 要：为了准确预测交通流量，为实施交通疏导提供参考依据，提出了一种基于小生境粒子群优化高斯小波 核函数支持向量机的交通流量预测方法。首先将小波思想引入核函数，使用高斯小波核函数取代了经典支持向量 机的高斯核函数。同时在支持向量机的学习算法上引入 了小生境粒子群优化算法，基于小生境粒子群的多样性的 优势，使得支持向量机的参数得到最优解。最后进行了预测仿真，结果表明本文方法的预测精度高于传统方法。 为交通流量的预测方法提供了一种参考。 关键词：小生境粒子群优化；支持向量机；小波核函数；交通流量预测 中图分类号：TP391 文献标识码：A 交通拥堵 目前已经成为了城市生活的一类公 支持向量机就其实质而言，是一种从统计学习 共 问题，特别是在大都市，已经影响到了人们的正 理论引申出来的一种机器学习方法 J，在学习过程 常出行和 日常生活，同时也引起了严重的资源能源 中，支持向量机不同于一般机器学习算法中的经验 浪费和空气污染。准确的预测交通流量，在形成拥 风险最小化准则，而是一种建立在结构风险最小化 堵之前，实行积极疏导是有望解决这一问题的有效 准则的基础上的一种新型的机器学习算法，这就使 途径之一 。而交通流量的预测便是最为关键的 得SVM具有训练样本少和泛化能力强的优点 ， 一 步 。 SVM算法实质上是一个凸二次规划 问题口～1，能够得 文献[1】采用 了基于支持向量机 (supportvector 到的极值就是所需的全局最优解，而这个最优解就 machine，SVM)的交通流量预测方法。支持向量机 可以认为是在高维空间内对样本点集的最佳拟合 是一种典型的人工智能机器学习模型，具有 良好的 结果。 自学习和非线性预i贝4能力，相对于人工神经网络， 若 已知存在这样 的样本集合 ： = …Y)，i= 具有更好的映射性能，并且能在小训练样本的情况 1，,,m，其中，．为样本集中第 个n维输入值 ， 下获得较好的预测精度 。影响交通流量变化的因 y则为第 i个输出值 ，那么基于SVM的学习过程 ， 素多种多样，而且彼此之间具有非线性特点，同时 可以理解为解得输人量和输出量之间的映射关系 有些因素的影响还有随机性 】。为此诸多学者又 式 ／0，能够使得对于任意的 = ，)，i=1，2，．．．，m， 在支持向量机的基础上进行了算法或者结构上的 均有f(x)=)，成立。一般地，0可以表示为： 改进 I，包括改进核函数的方法和改进训练算法的 (= ∽+b。 (1) 方法。为了更为精准的预测短期的交通流量，本文 在式(1)中，加是权值 ，b称为阈值， ：一Q ， 同时考虑了优化核函数和训练算法，提出了一种小 它的作用是先把维输人 向量投射到高维特征空 生境粒子群优化高斯小波核函数SVM的方法，SVM