一种基于SVM的交通流量预测方法.doc

一种基于粒子群优化SVM的交通流量预测方法 王 惟 （晋中学院数学院，山西 晋中 030060） 摘要：交通流量的预测是实现智能交通的重要基础，为此本文提出了一种基于改进型支持向量机算法的短时交通流量预测方法。首先使用支持向量机算法对交通流量进行非线性回归预测，同时使用改进QPSO算法训练神经网络和支持向量机。然后在计算机上进行了仿真，预测误差小于10%，说明本文方法对预测短时交通流量是有效可行的，为交通流量预测的实际应用提供了一种参考。 关键词：支持向量机；粒子群优化；交通流量；短时预测 中图分类号：U491 文献标识码：A A RBFNN-SVM Based Traffic Flow Prediction Approach WANG Wei Mathematics school of Jinzhong University ,Jinzhong 030600, Shanxi, China Abstract: To forecast traffic flow exactly, a RBF neural network and support vector machine based short time traffic flow prediction method was raised in this paper. At first, approximated the relationship between many variable and traffic flow using RBF neural network, at the same time, predicted traffic flow by support vector machine; and optimized the training method of RBF neural network and support vector machine with Particle Swarm Optimization algorithm. Then, fused the date predicted by the above two method by Kalman filter algorithm. At last, forecasted the traffic flow by simulation, and got a high prediction precision. That means, the method raised in this paper is efficient and available in short time traffic flow prediction, and can be served as a reference in predicting traffic flow. Keywords: Support Vector Machine; Particle Swarm Optimization; Traffic Flow; Short Time Prediction 0 引言 随着经济的发展和社会的进步，我国的汽车总拥有量较之以前已有大幅增加，引起的交通拥堵已经成为当今大中城市面临的主要问题之一。交通拥堵导致了能源消耗、环境污染、时间浪费等问题，同时，人流量拥堵和车流量拥堵之间又有一定的相关性，彼此诱导。为此，准确及时的预测交通流量，是进行及时疏导的关键，也是实现智能交通系统（ITS）的基础。 交通流量的变化具有影响因素多，非线性显著等特点，并且具有很强的时变性和随机性。因此诸多学者引入了机器学习算法。文献[1]提出了一种基于灰色理论和神经网络的预测方法，论证了使用人工智能方法进行交通流量预测的优势。文献[2-6]提出了基于支持向量机的交通流量预测方法，支持向量机方法具有和神经网络相似的逼近能力和非线性映射能力，但其学习不依赖大样本，所以具有学习速度快，泛化能力强的突出优势。同时，支持向量机算法存在着结构参数不易确定的问题。为了更为精准的预测短期的交通流量，本文提出一种基于量子行为粒子群优化SVM的交通流量预测方法。 1 基于SVM的预测原理 支持向量机(Support Vector Machine，简称SVM)是一种基于统计学习理论而引申出来的研究方法，不同于普通机器学习算法的经验风险最小原则，SVM算法是建立在结构风险最小化原则基础上的，使得其具有训练样本数量小，局部优化和泛化能力强的优点。 若已知的样本：，其中，为样本里的第个维输入向量，为对应的输出向量，则基于支持向量机的学习，可以理解为寻找输入量和输出量之间的映射关系，使得成立。一般表示为：