短时交通流预测的方法的研究.docVIP

短时交通流预测的方法的研究 　　摘 要：交通流预测是智能交通系统的热门研究课题，如何构建合适的预测模型并选择合适的预测变量是交通流预测的关键。利用相关分析法来确定交通流预测变量，将选择的预测变量输入到非线性回归支持向量机，通过样本训练进行交通流预测，最后通过交通实例分析来验证该方法的有效性。?? 　　关键词：相关分析；支持向量机；交通流预测；智能交通?? 　　中图分类号：TP391 文献标志码：A 　　 文章编号：1001-3695(2008)09-2676-03 　　Research on short time traffic flow forecasting method?? 　　GUO Mu,SUN Zhan??quan,PAN Jing??shan,XU Mei 　　??(Shandong Computer Science Center, Jinan 250014, China) 　　??Abstract:Traffic flow forecasting is a popular research topic of intelligent transportation systems. How to build suitable forecasting model and select suitable forecasting variable is a key problem.This paper took use of correlation analysis to select the close relate forecasting variables and input the variables to nonlinear regression SVM. The SVM was used to forecast traffic flow through training with history traffic flow data.Illustrated the method’s efficiency through analyzing the practical traffic data.?? 　　Key words:correlation analysis; support vector machine; traffic flow forecasting; intelligent transportation systems?お? 　　 　　0 引言?? 　　 　　交通流预测在智能交通系统中一直是一个热门的研究领域。由于正确的交通流预测是智能交通系统的实时交通信号控制、交通分配、路径诱导、自动导航、事故检测等的前提[1]，对交通流预测方法的研究具有非常重要的意义。交通控制和交通诱导系统都需要在作出控制(诱导)变量决策的时刻??t??对下一决策时刻??t??+1乃至以后若干时刻的交通流量作出短期实时预测。一般认为??t??到??t??+1之间的预测时间跨度不超过15 min(甚至小于5 min)的预测是短时交通预测[2]。目前，智能交通采集数据的检测器通常利用的是线圈检测器，采集的交通流参数主要有流量、时间占有率和速度。很多的智能交通服务都是基于这三个交通流参数，因此对这三个参数的估计是交通流预测的主要内容。?? 　　几十年来，许多的专家和学者们致力于短时交通流预测的研究，已经建立了一些交通流预测模型。常用的预测方法有平均值法、ARMA、线性回归、非参数回归、神经网络等[3,4]，但这些模型的预测精度都不能达到令人们满意的程度。支持向量机是20世纪90年代Vapnik等人提出的一种新的网络模型[5,6]，它建立在统计学习的VC维理论和结构风险最小原理基础上，较好地解决了小样本、非线性、高维数和局部极小点等实际问题，由于支持向量机的优越特性而在各个领域得到广泛的应用。道路交通系统是一个有人参与的、时变的、复杂的非线性系统，因此用非线性回归支持向量机进行交通流预测将是非常合适的。由于交通流预测需要实时处理，如果用于交通流预测的变量太多，不但会影响预测模型的实时性，而且会引入噪音，从而影响预测精度。如何确定用于交通流预测的变量显得非常重要。以前的预测通常根据主观来确定输入变量的个数，缺泛客观依据，本文利用相关分析来确定预测的输入变量，将选择的变量输入到非线性回归支持向量机进行相应交通流参数的预测。?? 　　 　　1 相关系数法?? 　　 　　相关系数是一个测量两个(或更多)随机变量间统计相关的指标。在两个随机变量??X和Y式中的分子是??X和Y??的协方差，这是经常出现在统计学中的一个公式。??ρ??????XY系数只能表达变量之间的线性相关，应用受到很大?┫拗啤＊???