基于支持向量机的公路客运供给预测研究开题范本.docVIP

哈尔滨工业大学 硕士学位论文开题报告 题 目：基于支持向量机的公路客运供给预测研究 院 （系） 交通科学与工程学院 学 科 交通运输规划与管理 导 师 张亚平 研 究 生 常翠平 学 号 10S032039 开题报告日期 2011年9月25日 基于支持向量机的公路客运供给预测研究 1 课题来源及研究目的意义 1.1 课题来源 本课题来源于黑龙江省本文，可为评价提供依据，Anglo等人[10]通过分解和重组两个过程提出了多分类支持向量回归机——K-SVCR(“support vector classification-regression” machines for K-class classification Purposes)，Fumigate Takhashi等人[11]提出了基于决策树的多分类支持向量机。 在正则化参数的选择方面，cherkassky[12]等人提出了从训练样本数据中以数学表达式选择模型参数值。在不敏感参数ε的确定方面，目前已有支持向量机能够自动确定ε的大小，如Scholkopf等人提出的v-SVM(该支持向量机中参数v能够自动选择ε)和K.Pelckmans等人提出的 LS-SVM；Smola等人认为不敏感参数ε值与噪声方差成比例，但这种方法主要的缺点是不能够反映训练样本集的大小；Cherkassky[12]等人提出了通过训练样本数目和样本的噪声水平求取ε值。 2.2 国内研究现状 与发达国家的城市相比，我国城市的机动化水平和发展时期远远落后。虽然目前交通供给与需求方面，更多的强调了交通需求管理，且国内交通学者一开始就将城市道路交通供需平衡理论研究定位在“供”，“需”双管齐下的思路上，但是交通供给作为交通供需平衡的重要方面，仍然是值得研究的课题。 1、道路运输供给预测模型研究方面 江方等[13]对公路运输供给的影响因素进行了分析，认为运输供给具有时空差异性、不平衡性、成本转移性、可替代性和不可替代性等特性，相应的影响因素有经济因素、技术因素、运输成本、政策管理等，并将各影响因素定量化，建立了公路运输供给函数；郑安文等[14]在2002年根据我国城市道路交通现状，以简化对影响道路网交通供给能力道路方面诸因素的处理为出发点，通过对城市在车辆安全行驶问题间距合理表达式的分析和对城市道路资源及资源消耗对象的描述，提出了城市道路机动车公路网供给能力的表达式。李旭宏等[15]在《城市道路网供求分析技术》一文中根据对不同城市道路等级的通行能力的分析，提出城市道路网容量的计算方法。吴群琪，张碧君等[16]提出道路运输供给品质的概念，认为运输供给品质特性是指能被消费者感受到的、以运输过程为主体的、系统描述运输供给品质的指标体系，主要有由技术经济保障、可达性、时效性、舒适性、经济性等五个方面；邹海波等[17],[18]从系统工程的角度出发，将道路运输供给系统划分为道路基础设施、运输基础设施、运输移动设备、运输人力资源和运输软件5个子系统，认为道路运输供给系统协调发展是各子系统在适度发展的同时，彼此间能够一致地或无矛盾地或矛盾减少到容许程度的发展，并从子系统各自适度发展和系统之间统一协调发展的层面进行机理分析。 2、支持向量机应用于交通预测方面 2004年，江苏科技大学的高尚，房靖等[19]对交通运量进行了预测，利用灰色、神经网络和支持向量机理论建立了三个预测模型，在分析组合预测特性的基础上，提出了对灰色系统、神经网络和支持向量机三种预测方法结果进行了线性组合预测方法和支持向量机的组合预测方法；王大鹏[20]利用支持向量机对公路车流量数据进行了分析预测，用BP网络及RBF网络的预测结果与SVM预测结果进行了比较分析，结果表明用支持向量回归算法进行混沌时间序列的预测能够取得比其他方法更好的效果，具有很好的稳健性及泛化能力；颜七笙，王士同等人[21]利用支持向量回归模型进行了公路旅游客流量预测方法，给出了参数优化选取算法，取得了较好的效果；向小东，张婧旭等[22]对货物运量进行了预测，通过选取影响货物运输量的16个指标，首先用核主成分分析提取特征值，再用加权最小二乘支持向量机进行预测，结果表明此法的精度较高；李玲玲[23]建立了高速公路交通量的SVM预测模型，但是在对模型参数的选取方面考虑的因素较少；王颖，邵春福等[24]应用支持向量机进行了公路货运量的预测，并对模型参数的选择和修正进行了有益的探讨，最终预测结果比较理想；孙浩[25]在交通安全方面的预测中选用了最小二乘支持向量机模型，收到了较好的效果。 支持向量机是目前研究的热点，