基于SVM短时交通流量预测Short-term Traffic Flow Prediction Based on SVM
蒋晓峰;许伦辉;朱悦;
摘要(Abstract)：
交通流量预测是智能交通系统中非常重要的研究领域,传统的预测方法在交通流量预测中有着非常广泛的应用。但是,在短时交通流量预测中,由于其影响因素错综复杂,传统的预测方法对于短时交通流量不能很好地进行预测。随着机器学习和数据挖掘各种理论的不断提出及完善,机器学习和数据挖掘与交通流量预测的结合是智能交通系统未来发展的一个重要方向。本文利用SVM(support vector machine)构建了短时交通流量预测模型,并利用遗传算法(genetic algorithm)对SVM的惩罚参数C和核参数σ进行优化,同时比较SVM中不同核函数,包括多项式核函数(polynomial kernel)和径向基核函数(RBF kernel)的预测效果。径向基SVM(RBF SVM)训练时间要比多项式SVM(polynomial SVM)短,预测准确率和精度也要比多项式SVM要好。从仿真结果上看,SVM非常适合应用于短时交通流量预测,能够取得很好的预测效果与精度。
关键词(KeyWords)： SVM;交通流量;短时预测;遗传算法
基金项目(Foundation): 青年科学基金资助项目(51108191)
作者(Authors): 蒋晓峰;许伦辉;朱悦;
DOI: 10.16088/j.issn.1001-6600.2012.04.001
参考文献(References)：
- [1]王进,史其信.短时交通流预测模型综述[J].ITS通讯,2005,7(1):10-13.
- [2]宫晓燕,汤淑明.基于非参数回归的短时交通流量预测与事件检测综合算法[J].中国公路学报,2003,16(1):82-86.
- [3]张琛,杜军平.高速公路车流量预测方法的研究[J].北京工商大学学报:自然科学版,2001,19(4):30-33.
- [4]米切尔.机器学习[M].北京:机械工业出版社,2003.
- [5]韩家炜,坎伯.数据挖掘:概念与技术[M].北京:机械工业出版社,2001.
- [6]唐艳,王洪博,王万新.基于高斯径向基函数神经网络的十字路口车流量预测[J].农业装备与车辆工程,2006(3):41-43.
- [7]邓乃扬,田英杰.数据挖掘中的新方法——支持向量机[M].北京:北京科学出版社,2004.
- [8]彭涛,张翔.支持向量机及其在石油勘探开发中的应用综述[J].勘探地球物理进展,2007,30(2):91-95.
- [9]陈莉.基于支持向量机的入侵检测方法研究[D].苏州:苏州大学,2009.
- [10]李贺,冯天瑾,王树文.SVM应用于企业财务预警[J].通讯和计算机,2005,2(8):32-36.
- [11]王朝勇.支持向量机若干算法研究及应用[D].吉林:吉林大学,2008.
- [12]CHANG Chih-chung,LIN Chih-jen.LIBSVM:a library for support vector machines[J].ACM Transactions onIntelligent Systems and Technology(TIST),2011,2(3):27.
- [13]王睿.关于支持向量机参数选择方法分析[J].重庆师范大学学报:自然科学版,2007,24(2):36-38.
- [14]李良敏,温广瑞,王生昌.基于遗传算法的回归型支持向量机参数选择法[J].计算机工程与应用,2008,44(7):23-36.
- [15]吴景龙,杨淑霞,刘承水.基于遗传算法优化参数的支持向量机短期负荷预测方法[J].中南大学学报:自然科学版,2009,40(1):180-184.
- [16]朱中,杨兆升.实时交通流量人工神经网络预测模型[J].中国公路学报,1998,11(4):89-92.
- [17]肖汉中,蔡从中.特征向量的归一化比较性研究[J].计算机工程与应用,2009(2):117-119.