城市交叉口短时交通流预测方法.pdfVIP

城市交叉口短时交通流预测方法 刘秋晨 摘要：准确预测交叉口交通流量，对城市智能交通起着至关重要作用。为了提高交叉口短时交通流预测的 精度，提出一种基于高斯过程的交通流预测模型。首先对交叉口SCATS 系统获取的检测数据进行数据预处 理和数据重构，其次，运用GP模型对交通流时间序列进行训练，同时确定协方差函数的“超参数”。最后 利用训练好的GP模型对交通流时间序列进行预测，并与BP神经网络进行比较。仿真结果表明，基于GP的 交通流预测模型具有很好的稳定性，能满足预测精度的要求。 关键词：交通流预测,高斯过程回归,SCATS 系统,交通流时间序列 0 引言 交通流量预测是ITS 中非常关键、基础的部分，其他很多重要功能的准确性、可用性都 是在它基础上的，如：旅行时间估算、交通诱导系统等。短时交通流预测一般是预测未来5 分钟的流量。因此，准确预测出交通流量具有重要意义。目前，国内外用于交通流预测的方 [1] [2] [3] 法有Kalman 、神经网络 、非参数回归 等方法，但是这些方法本身存在一些问题，如： 神经网络存在最优网络结构难以确定和过度拟合的问题；SVM 的核函数的选取对运行结果 [4] 影响大，核函数参数的选择依靠经验值不足以及惩罚项的选择等问题 。 高斯过程是作为一种新的机器学习技术在各方面的应用引起了人们的关注，它以具有坚 实的统计学习理论基础；对处理高维数、小样本、非线性等复杂问题的良好适应性；灵活的 非参数推断、参数自适应获取等突出优点，正在成为继SVM 之后机器学习领域新的研究热 点。本文将高斯过程机器学习方法应用于交通流预测，提出基于高斯过程回归的交通流预测 模型，为交通流的合理预测提供一条新途径。 1 高斯过程基本原理 高斯过程是一个随机过程，对处理小样本、非线性、高维数等复杂问题具有很好的适应 性。对于给定的数据集合，其中，D (x ,y ) n ，其中：输入数据矩阵x Rd ，输出数  i i i 1 i (1) (2) (n) 据矩阵y R 。在给定数据 的有限集合中，f (x )、f (x )、...、f (x )可构成随机 D i 变量的一个集合，且具有联合高斯分布，高斯过程的全部统计特征由均值函数m(x)和协方 差函数k(x,x)组成，即 f (x)~ GP(m(x),k(x,x)) （1） 将含噪声考虑到观测目标值 中，可建立高斯过程回归问题的一般模型，即 y y f (x) （2） 2 式中： 为独立的高斯白噪声，符合高斯分布，均值为0，方差为 ，即可记做   2 。对于式 （3），由于噪声 为独立于 的白噪声，当 服从高斯分布，  ~ N(0, )  f (x) f (x) 则 同样服从高斯分布，则其有限观测值联合分布的集合可形成一个高斯过程，即 y