论文部分内容阅读
随着智能交通系统(ITS)的研究和发展的不断深入,各大城市纷纷开展相应的ITS战略规划研究,以期为城市乃至经济发展注入新的活力。交通流预测是交通信息系统中信息深度和适用处理的关键技术,是为公众出行提供便利的城市交通诱导系统核心内容之一,也是交通事故处理系统以及ITS中其他子系统的重要应用技术基础之一。由于路段交通流状态的时变性和复杂性,很难给出精确的解析表达式描述其变化规律,因此进行实时准确的交通流预测研究具有极为重要的意义。本文在分析混沌理论的基础上,研究了小数据量法计算交通流的李雅谱诺夫(Lyapunov)指数进行混沌特性判别。进而研究了短时交通流时间序列的相空间重构理论,并利用C-C法计算出重构相空间的嵌入维数m和时间延迟T,这为后续交通流预测建立了数据关系。对实际交通流进行了仿真,有效地验证了交通流混沌现象的存在和短期可预测性。本文在研究了支持向量回归机(SVR)原理的基础上,探讨了SVR进行有限样本、非线性交通流预测的适用性。在分析了SVR模型构建的核函数及参数选取问题基础上将交通流时间序列相空间重构和SVR模型相结合,建构了基于相空间的SVR短时交通流单点单步预测模型,并分别用传统的网格搜索法(GS)和本文设计的遗传算法(GA)对SVR模型进行参数寻优。用上述两种模型对PeMS的工作日和节假日实测交通流数据进行预测仿真,实验充分验证了对源数据进行规范化处理可以有效提高预测性能,遗传算法SVR模型比网格搜索SVR预测性能好,能更有效进行短时交通流预测。通过遗传算法寻优验证了SVR存在训练运算速度慢的不足,不能较好的满足预测的实时性要求。因此本文借鉴集成学习思想,研究了集成学习中典型的Bagging方法和Boosting方法,将二者与SVR相融合并应用到短时交通流预测中。分别用这两种模型对实测交通流进行实验仿真,并与单一SVR的GS-SVR和GA-SVR两种模型进行比较分析,实验验证了集成SVR不仅能大大缩短预测时间,而且能获得比单一SVR更优秀的综合性能,这为设计实时高性能的短时交通流预测提供了一种思路和方法。