一种结合SVM与卡尔曼滤波的短时交通流预测模型.pdfVIP

第40卷 第 1O期 计 算 机 科 学 Vo1．40No．10 2013年 10月 Computer Science Oct2013 一 种结合 SVM 与卡尔曼滤波的短时交通流预测模型 朱征宇 刘 琳 崔 明 (重庆大学计算机学院 重庆400044) (软件工程重庆市重点实验室 重庆400044) 摘 要 针对短时交通流量的预测问题，提出了一种结合卡尔曼滤波与支持向量机的预测模型。该模型采用预测误 差平方和与相关系数极大化准则智能选取恰当的预测方式，综合利用了支持向量机的稳定性与卡尔曼滤波的实时性， 发挥了两种模型各 自的优势。实验结果表明，该模型误差指标均低于单项预测模型。特别地，该模型在高峰时段的预 测性能最佳 ，平均相对误差保持在 8 以内，是短时交通流预测的一种有效可行的方法。 关键词 交通流，组合预测，支持向量机，卡尔曼滤波 中图法分类号 TP391 文献标识码 A Short-term TrafficFlow ForecastingModelCombiningSVM andKalmanFiltering ZHU Zheng-yu LIU Lin CUIMing (DepartmentofComputerScience，ChongqingUniversity，Chongqing400044，China) (SoftwareEngineeringChongqing KeyLab，Chongqing 400044，China) Abstract Aimingattheissueaboutshort-term trafficflow forecasting ，apredictionmodelcombining withKalmanfilte- ringandsupportvectormachinewasproposed．Themodeladoptsappropriateforecastmethodintelligentlyineachpre- dictionperiodbythestnadardsoferrorsum ofsquaresandvectorcosineofhteangle，utilizesthestabilityof SVM and thereal-timenatureof Kalmanfiltercomprehensively，andtakesrespectiveadvantagesofthetWOmodds．Experiments show thathtemodal’Serrorindicatorsarelowerthansingleforecastmode1．Inparticular，themodelinthepeakhours， whichaveragerelativeerroriSmaintainedat1essthan8 ，iSafeasibleandeffectivemethodofshort-temr trafficflow forecasting ． Keywords Trafficflow，Combining forecasting ，Supportvectormachine，Kalmna filter 和达到最小等，来确定各个单项预测模型在组合预测中所占 1 引言 的权重[5]。而非线性组合预测则通常运用神经 网络、支持向 实时准确的短时交通流预测是城市交通控制与道路诱导 量机[6等机器学习的方法对样本进行训练 ，得到单项预测模 系统的研究基础 ，其主要问题在于，如何有效利用历史和实时 型在组合预测中的权重。实验研究表明，非线性组合预测方 的交通数据信息来滚动预测未来一段时间的交通流状况。一