基于支持向量機(jī)的快速路小時(shí)交通量預(yù)測(cè)本科畢業(yè)設(shè)計(jì)

五邑大學(xué)本科畢業(yè)設(shè)計(jì)I基于支持向量機(jī)的快速路小時(shí)交通量預(yù)測(cè)摘要快速路交通量具有復(fù)雜性和不確定性，對(duì)交通量的準(zhǔn)確預(yù)測(cè)是實(shí)現(xiàn)智能交通誘導(dǎo)和控制的基礎(chǔ)。智能交通能解決道路交通擁堵，減少交通事故，減少大氣污染等現(xiàn)實(shí)難題，是我國(guó)道路交通發(fā)展的方向。充分考慮到快速路交通量所具有的非線(xiàn)性，時(shí)變性和隨機(jī)性，提出將支持向量機(jī)回歸算法應(yīng)用到快速路小時(shí)交通量預(yù)測(cè)中。根據(jù)我國(guó)交通情況，利用廣州某快速路小時(shí)交通量數(shù)據(jù)，進(jìn)行快速路小時(shí)交通量預(yù)測(cè)。仿真研究結(jié)果表明，支持向量機(jī)泛化能力好，學(xué)習(xí)速度快，在快速路小時(shí)交通量預(yù)測(cè)中起著重要作用。關(guān)鍵詞：小時(shí)交通量；交通量預(yù)測(cè)；支持向量機(jī)回歸；仿真研究PAGEPAGEIIIAbstractExpresswaytrafficflowhasthecomplexityanduncertainty,theaccuratetrafficflowforecastingisthefoundationtorealizeintelligenttrafficguidancetocontrol.Intelligenttransportationcansolvetrafficcongestion,reducetrafficaccidents,reducetherealisticproblemssuchasairpollution,isthedirectionofourcountryroadtrafficdevelopment.Theexpresswaytrafficflowisnonlinear,time-varyingandrandomness,thesupportvectormachine(SVM)regressionalgorithmwasappliedtoexpresswayhoursintrafficflowprediction.Accordingtothetrafficsituationinourcountry,usetheoneofGuangzhou’sexpresswaystrafficflowdatatoforecastanhourexpresswaytrafficflow.Simulationresultsshowthatthegeneralizationandlearningabilityofsupportvectormachine(SVM)iswell,hoursinexpresswaytrafficflowforecastingplaysanimportantrole.Keywords:hourlytrafficvolume;trafficflowforecasting;supportvectormachineregression;simulationresearch

目錄TOC\o"1-3"\h\u摘要 IAbstract II第1章緒論 11.1課題背景 11.2研究目的和意義 21.3國(guó)內(nèi)外文獻(xiàn)綜述 21.4本論文主要內(nèi)容 3第2章支持向量機(jī)理論 52.1支持向量機(jī)概述 52.2支持向量機(jī)回歸及其類(lèi)型 92.3本章小結(jié) 9第3章交通流參數(shù)及預(yù)測(cè)方法 103.1交通流基本參數(shù) 103.2交通流量數(shù)據(jù)的采集和特性 103.3交通流預(yù)測(cè)的方法 113.3.1交通狀態(tài)預(yù)測(cè)概述 113.3.2交通量短時(shí)預(yù)測(cè)方法 123.4本章小結(jié) 13第4章基于支持向量機(jī)的小時(shí)交通流預(yù)測(cè) 144.1概述 144.2支持向量機(jī)回歸的交通信息預(yù)測(cè) 144.3支持向量機(jī)的交通信息預(yù)測(cè)的具體步驟 154.4本章小結(jié) 16第5章仿真研究 175.1交通流量預(yù)測(cè) 175.2本章小結(jié) 30結(jié)論 31參考文獻(xiàn) 32致謝 33PAGE34第1章緒論1.1課題背景城市交通系統(tǒng)是城市經(jīng)濟(jì)社會(huì)活動(dòng)的基礎(chǔ)設(shè)施，城市化的發(fā)展和汽車(chē)數(shù)量的增加導(dǎo)致交通道路通行壓力的增加。城市交通的供需矛盾越來(lái)越顯現(xiàn)，至此引發(fā)了日趨嚴(yán)重的交通道路堵塞，嚴(yán)重的環(huán)境污染，交通事故頻繁發(fā)生等問(wèn)題，造成重大的經(jīng)濟(jì)損失。交通堵塞隨即引發(fā)交通通行效率降低和能耗增加的問(wèn)題。據(jù)研究數(shù)據(jù)表明，汽車(chē)時(shí)速?gòu)?0公里降到10公里時(shí)，能源消耗量加倍增大，還嚴(yán)重降低了交通通行效率，同時(shí)汽車(chē)排放的氮氧化物、一氧化碳等氣體加重了環(huán)境負(fù)荷，造成嚴(yán)重的大氣污染和空氣質(zhì)量下降，甚至帶來(lái)連續(xù)數(shù)月的霧霾天氣?？焖俾纷鳛楝F(xiàn)代化交通的標(biāo)志設(shè)施，具有高效、快速、舒適和安全等優(yōu)勢(shì)，對(duì)促進(jìn)社會(huì)經(jīng)濟(jì)發(fā)展起到關(guān)鍵的作用?？焖俾窚p少了車(chē)輛之間的沖突，減少了交通堵塞的現(xiàn)象，提高了道路通行的效率。但是隨著社會(huì)經(jīng)濟(jì)的發(fā)展，城市化進(jìn)程的加快，快速路的交通流量也迅速增加?？焖俾分饾u出現(xiàn)了嚴(yán)重的交通擁堵的現(xiàn)象，導(dǎo)致快速路通行效率降低，環(huán)境污染日益加重等問(wèn)題，快速路的優(yōu)勢(shì)似乎慢慢消退，這種現(xiàn)象影響了人們生活水平的提高和各項(xiàng)事業(yè)的現(xiàn)代化進(jìn)程。隨著機(jī)動(dòng)車(chē)數(shù)量不斷地增加，交通流量接近甚至超過(guò)道路的通行能力，對(duì)于已經(jīng)建好的城市快速路顯然是不能完全容納的。為了解決機(jī)動(dòng)車(chē)與快速路容納能力之間的矛盾，除了通過(guò)行政手段改變交通的運(yùn)行規(guī)律以外，最直接的方法就是修建更多的快速路，以增加道路的容納水平。但是這需要巨額資金的支持，同時(shí)又要占用更多的空間。因此，這種方法并不能從根本上解決上述交通矛盾，那么研究和發(fā)展智能交通系統(tǒng)是必經(jīng)之路。在不斷擴(kuò)建和完善的快速路交通網(wǎng)絡(luò)的基礎(chǔ)上，提高快速路交通網(wǎng)絡(luò)的現(xiàn)代化管理水平，改造現(xiàn)有的道路運(yùn)輸通行系統(tǒng)，從而提高快速路的通行能力和服務(wù)質(zhì)量。交通控制與誘導(dǎo)是智能交通系統(tǒng)的重要組成部分之一，交通狀態(tài)的小時(shí)交通流量預(yù)測(cè)是交通控制與誘導(dǎo)的基礎(chǔ)。目前的預(yù)測(cè)方法主要有統(tǒng)計(jì)回歸法、狀態(tài)估計(jì)法、神經(jīng)網(wǎng)絡(luò)法、時(shí)間序列法、動(dòng)態(tài)交通分配及交通模擬法等，尤其以神經(jīng)網(wǎng)絡(luò)為代表的這種新型人工智能方法?？焖俾返缆方煌ㄏ到y(tǒng)是非線(xiàn)性、時(shí)變、不穩(wěn)定、帶有隨機(jī)性的系統(tǒng)，受到的影響因素很多。神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的自適應(yīng)能力，可以根據(jù)歷史數(shù)據(jù)學(xué)習(xí)訓(xùn)練，但是神經(jīng)網(wǎng)絡(luò)會(huì)出現(xiàn)求得局部極小解的問(wèn)題和過(guò)學(xué)習(xí)問(wèn)題。支持向量機(jī)以結(jié)構(gòu)風(fēng)險(xiǎn)最小化為目標(biāo)，其具有結(jié)構(gòu)簡(jiǎn)單、全局最優(yōu)、小樣本推廣能力強(qiáng)的優(yōu)勢(shì)，能很好地解決非線(xiàn)性、高維數(shù)、小樣本和局部極小點(diǎn)等問(wèn)題，克服了神經(jīng)網(wǎng)絡(luò)的缺陷，成為機(jī)器學(xué)習(xí)界新的研究熱點(diǎn)，已有將其應(yīng)用于交通流量時(shí)間序列預(yù)測(cè)中。本課題針對(duì)快速路交通流量非線(xiàn)性時(shí)變的特性，應(yīng)用歷史交通流量數(shù)據(jù)，提出基于支持向量機(jī)的快速路小時(shí)交通量預(yù)測(cè)方法，預(yù)測(cè)未來(lái)交通流量數(shù)據(jù)，然后根據(jù)預(yù)測(cè)結(jié)果進(jìn)行科學(xué)的交通誘導(dǎo)、控制和管理，從而解決快速路交通堵或通行效率逐漸降低的問(wèn)題。1.2研究目的和意義小時(shí)交通流量預(yù)測(cè)是智能交通系統(tǒng)的基礎(chǔ)組成部分，智能交通系統(tǒng)能提高交通運(yùn)輸通行效率，改善交通通行環(huán)境，減少自然環(huán)境的污染，并最終實(shí)現(xiàn)人、車(chē)、路的完美配合。利用現(xiàn)代技術(shù)獲取快速路的小時(shí)交通流量，據(jù)此進(jìn)行下一時(shí)段的交通流量預(yù)測(cè)，為下一時(shí)段的交通流控制和誘導(dǎo)做好基礎(chǔ)。準(zhǔn)確的預(yù)測(cè)結(jié)果可以為出行者提供最佳的交通出行路線(xiàn)，科學(xué)合理地引導(dǎo)交通出行，減少出行者的時(shí)間浪費(fèi)，從而優(yōu)化道路資源配置，最大限度地發(fā)揮快速路的優(yōu)勢(shì)，避免形成交通擁堵，實(shí)現(xiàn)快速路交通路網(wǎng)暢通無(wú)阻的目的。因此，對(duì)交通流量準(zhǔn)確、及時(shí)的預(yù)測(cè)對(duì)于實(shí)現(xiàn)交通流誘導(dǎo)與控制十分關(guān)鍵。目前對(duì)小時(shí)交通流量預(yù)測(cè)的方法接近30種，基本可劃分為兩類(lèi)：其一是基于確定的數(shù)學(xué)模型的交通信息預(yù)測(cè)方法，其二是基于知識(shí)的智能模型的交通信息預(yù)測(cè)方法。數(shù)學(xué)模型預(yù)測(cè)方法以數(shù)學(xué)模型理論為基礎(chǔ)，一般情況下能取得較好的結(jié)果，但是模型比較簡(jiǎn)單，不能克服隨機(jī)的干擾因素對(duì)交通流量的影響，就會(huì)容易造成很大的誤差。后者以BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型為代表，BP神經(jīng)網(wǎng)絡(luò)能在有錯(cuò)誤數(shù)據(jù)的情況下利用結(jié)構(gòu)本身的特性做出準(zhǔn)確的預(yù)測(cè)，但是利用BP神經(jīng)網(wǎng)絡(luò)過(guò)分強(qiáng)調(diào)學(xué)習(xí)而出現(xiàn)過(guò)擬合現(xiàn)象，使模型的泛化能力得不到充分發(fā)揮，同時(shí)還會(huì)出現(xiàn)，欠學(xué)習(xí)，局部極小點(diǎn)問(wèn)題。支持向量機(jī)回歸預(yù)測(cè)方法采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化，可以避免神經(jīng)網(wǎng)絡(luò)的一些缺陷，在解決小樣本數(shù)據(jù)、非線(xiàn)性問(wèn)題以及高維模式識(shí)別方面有很多優(yōu)勢(shì)。本文提出基于支持向量機(jī)回歸預(yù)測(cè)快速路小時(shí)交通流量的方法，利用采集到的快速路交通流量實(shí)時(shí)數(shù)據(jù)，預(yù)測(cè)快速路未來(lái)的小時(shí)交通流量，解決快速路擁堵和通行效率不高的問(wèn)題。本課題研究具有重要的實(shí)際意義和社會(huì)意義，快速路小時(shí)交通量預(yù)測(cè)對(duì)城市快速路的發(fā)展，避免交通事故頻繁發(fā)生和防止交通堵塞現(xiàn)象，合理分配交通資源配置和減少自然資源浪費(fèi)和時(shí)間浪費(fèi)有著深遠(yuǎn)的影響，這可使城市快速路健康快速發(fā)展，為國(guó)家的經(jīng)濟(jì)高速發(fā)展和人們生活水平的提高貢獻(xiàn)更大的力量。1.3國(guó)內(nèi)外文獻(xiàn)綜述由于交通流量變化發(fā)展迅速，并且隨機(jī)性和不確定性強(qiáng)，規(guī)律不明顯，導(dǎo)致快速路交通擁堵問(wèn)題日益明顯，智能交通系統(tǒng)越來(lái)越受到專(zhuān)家學(xué)者們的重視，而交通流量預(yù)測(cè)對(duì)交通控制和誘導(dǎo)起著至關(guān)重要的作用。所以，近年來(lái)專(zhuān)家學(xué)者們開(kāi)始著力于研究小時(shí)交通流量的預(yù)測(cè)，并取得了重大的成果。文獻(xiàn)1主要介紹了道路網(wǎng)短時(shí)交通流量預(yù)測(cè)的基本理論、方法和應(yīng)用方向。介紹了交通流量的時(shí)空特性屬性，基本參數(shù)等基礎(chǔ)知識(shí)，介紹了多種交通流量預(yù)測(cè)方法。文獻(xiàn)2主要介紹了目前國(guó)內(nèi)外智能交通系統(tǒng)的研究情況，講述了交通流量預(yù)測(cè)對(duì)于智能交通系統(tǒng)的重要性。列舉了幾個(gè)常用的交通信息檢測(cè)器和宏觀交通信息預(yù)測(cè)模型和方法。文獻(xiàn)3詳細(xì)地介紹了支持向量回歸算法運(yùn)用于短時(shí)交通量預(yù)測(cè)的具體做法，從支持向量回歸機(jī)的選取到交通狀態(tài)短時(shí)預(yù)測(cè)的方法，再到如何構(gòu)建預(yù)測(cè)模型，最后進(jìn)行仿真分析。從交通檢測(cè)器中獲得某時(shí)段交通流量為輸入，對(duì)應(yīng)時(shí)段的交通流量為輸出，選取合適的核函數(shù)，對(duì)支持向量回歸機(jī)進(jìn)行訓(xùn)練。運(yùn)用已訓(xùn)練的支持向量回歸機(jī)預(yù)測(cè)下一時(shí)段或者周期的交通流量。文獻(xiàn)4介紹了智能交通的特點(diǎn)和優(yōu)勢(shì)，由此引申出利用支持向量機(jī)來(lái)處理短時(shí)交通流量預(yù)測(cè)的問(wèn)題。文章中通過(guò)實(shí)際的案例分析，闡述了支持向量機(jī)在交通系統(tǒng)運(yùn)用中具有可行性和有效性。文獻(xiàn)5主要分為兩個(gè)部分，第一部分介紹了支持向量機(jī)的基本知識(shí)，讓讀者明白支持向量機(jī)的理論思想。第二部分主要介紹如何通過(guò)MATLAB軟件來(lái)編寫(xiě)程序來(lái)實(shí)現(xiàn)支持向量機(jī)的思想，如實(shí)現(xiàn)支持向量機(jī)分類(lèi)算法。通過(guò)閱讀這篇文章，能學(xué)習(xí)到基本的MATLAB語(yǔ)言編寫(xiě)的過(guò)程。文獻(xiàn)6介紹了支持向量機(jī)主要有兩大功能：支持向量的分類(lèi)和支持向量機(jī)的回歸。文獻(xiàn)7介紹了短時(shí)交通預(yù)測(cè)的基本原理、預(yù)測(cè)模型的特性，主要介紹了對(duì)其建模的理論基礎(chǔ)，特點(diǎn)，可行性進(jìn)行有效地分析，最后對(duì)比和評(píng)價(jià)各類(lèi)預(yù)測(cè)模型。文獻(xiàn)8在總結(jié)了預(yù)測(cè)模型的基礎(chǔ)上，將基于支持向量機(jī)的小時(shí)交通流量預(yù)測(cè)模型的仿真結(jié)果與基于BP神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測(cè)模型仿真結(jié)果進(jìn)行對(duì)比，發(fā)現(xiàn)在預(yù)測(cè)精度，泛化能力，收斂時(shí)間，最優(yōu)性方面等方面，基于支持向量機(jī)的小時(shí)交通流量預(yù)測(cè)方面更勝一籌。文獻(xiàn)9支持向量機(jī)通過(guò)核函數(shù)工作在特征空間中，原問(wèn)題能在特征空間中獲得線(xiàn)性性能，從而便于解決問(wèn)題。文獻(xiàn)10本文介紹了通過(guò)支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行比較，證明支持向量機(jī)在交通量預(yù)測(cè)的可行性。通過(guò)比較可知，支持向量機(jī)預(yù)測(cè)交通流量的方法避免出現(xiàn)過(guò)學(xué)習(xí)和欠學(xué)習(xí)的現(xiàn)象，而且具有很好的推廣能力，比BP神經(jīng)網(wǎng)絡(luò)具有更高的預(yù)測(cè)精度和魯棒性。1.4本論文主要內(nèi)容全文一共分為五章，每章主要內(nèi)容的安排如下：第1章緒論。介紹本文研究交通流量預(yù)測(cè)的背景知識(shí)，簡(jiǎn)要闡明課題研究的目的和現(xiàn)實(shí)意義，講述了智能交通系統(tǒng)的特點(diǎn)和優(yōu)勢(shì)，是我國(guó)道路交通發(fā)展的必然方向。第2章支持向量機(jī)理論。本章節(jié)主要介紹了什么是支持向量機(jī)，支持向量機(jī)的回歸類(lèi)型有哪些，支持向量機(jī)核函數(shù)有哪些和他們各自的特點(diǎn)。第3章交通流參數(shù)及預(yù)測(cè)方法。本章講述交通流的基本參數(shù)，交通流數(shù)據(jù)采集和特征，以及簡(jiǎn)要介紹交通流量短時(shí)預(yù)測(cè)的方法。第4章基于支持向量機(jī)的小時(shí)交通流量的預(yù)測(cè)。本章介紹了支持向量機(jī)回歸的交通信息預(yù)測(cè)方法的知識(shí)，實(shí)現(xiàn)訓(xùn)練樣本的非線(xiàn)性回歸和預(yù)測(cè)的具體步驟。第5章仿真研究。利用樣本數(shù)據(jù)使用MATLAB進(jìn)行編程，然后進(jìn)行仿真研究，得出交通流量預(yù)測(cè)結(jié)果，把預(yù)測(cè)結(jié)果與實(shí)際交通流量進(jìn)行對(duì)比評(píng)價(jià)，計(jì)算出相對(duì)誤差。

第2章支持向量機(jī)理論2.1支持向量機(jī)概述機(jī)器學(xué)習(xí)是計(jì)算機(jī)科學(xué)和人工智能中重要的研究方向。機(jī)器學(xué)習(xí)從眾多學(xué)科中吸收成果和概念，通過(guò)經(jīng)驗(yàn)改動(dòng)計(jì)算機(jī)算法并理解問(wèn)題的背景、算法和算法中的假定?，F(xiàn)代智能技術(shù)的重要方向是基于數(shù)據(jù)的機(jī)器學(xué)習(xí)，研究樣本集數(shù)據(jù)并從中尋找規(guī)律，然后利用規(guī)律對(duì)未來(lái)一段時(shí)間或周期的數(shù)據(jù)進(jìn)行預(yù)測(cè)，最后根據(jù)預(yù)測(cè)結(jié)果進(jìn)行科學(xué)合理的判斷，指導(dǎo)人們正確地進(jìn)行生產(chǎn)和生活。支持向量機(jī)是新興的機(jī)器學(xué)習(xí)方法之一，面對(duì)小樣本數(shù)據(jù)時(shí)，支持向量機(jī)能找出最優(yōu)的解決方案，使泛化能力達(dá)到最優(yōu)。目前，統(tǒng)計(jì)學(xué)習(xí)理論是對(duì)于小樣本情況研究學(xué)習(xí)規(guī)律和預(yù)測(cè)的最佳理論。支持向量機(jī)的理論基礎(chǔ)是統(tǒng)計(jì)學(xué)習(xí)理論，最初于20世紀(jì)90年代由VladimirN.Vapnick等人提出，近年來(lái)理論研究和算法實(shí)現(xiàn)取得很大的突破，成為克服“維數(shù)災(zāi)難問(wèn)題”、“小樣本”、“過(guò)學(xué)習(xí)問(wèn)題”等的重要方法，在人臉檢測(cè)，手寫(xiě)體數(shù)字識(shí)別、語(yǔ)音識(shí)別等方面都有重大的應(yīng)用。支持向量機(jī)最初為了解決分類(lèi)問(wèn)題，其目標(biāo)是結(jié)構(gòu)風(fēng)險(xiǎn)最小化，結(jié)構(gòu)風(fēng)險(xiǎn)在經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍中選擇一個(gè)折衷，適用于有限樣本的情況。對(duì)于線(xiàn)性可分的分類(lèi)問(wèn)題，通過(guò)平分最近點(diǎn)法，把分類(lèi)問(wèn)題轉(zhuǎn)化為最優(yōu)化問(wèn)題，通過(guò)最優(yōu)化問(wèn)題的對(duì)偶問(wèn)題求最優(yōu)解，用最優(yōu)解構(gòu)造決策函數(shù)。對(duì)于線(xiàn)性不可分的分類(lèi)問(wèn)題，首先引入懲罰系數(shù)，通過(guò)平分最近點(diǎn)法，也可把分類(lèi)問(wèn)題轉(zhuǎn)變?yōu)樽顑?yōu)化問(wèn)題，然后通過(guò)最優(yōu)化問(wèn)題的對(duì)偶問(wèn)題求得最優(yōu)解，因此構(gòu)造決策函數(shù)。對(duì)于非線(xiàn)性分類(lèi)問(wèn)題，則先引進(jìn)核函數(shù)K，把原問(wèn)題轉(zhuǎn)變?yōu)楦呔S空間的線(xiàn)性問(wèn)題，最后構(gòu)造核函數(shù)。支持向量機(jī)將輸入空間映射到一個(gè)高維空間，在這個(gè)空間中找到輸入變量與輸出變量的線(xiàn)性關(guān)系。通過(guò)選擇合適的核函數(shù)就能實(shí)現(xiàn)非線(xiàn)性變換后的線(xiàn)性分類(lèi)，因?yàn)闆](méi)有增加計(jì)算復(fù)雜度，所以就能達(dá)到避免維數(shù)災(zāi)害的目的。支持向量機(jī)的結(jié)構(gòu)與神經(jīng)網(wǎng)絡(luò)相似，中間的每個(gè)節(jié)點(diǎn)對(duì)應(yīng)每一個(gè)支持向量，輸出的結(jié)果是中間節(jié)點(diǎn)的線(xiàn)性組合，具體結(jié)構(gòu)如下圖2-1所示：圖2-1支持向量機(jī)結(jié)構(gòu)圖為解決數(shù)據(jù)分類(lèi)問(wèn)題，針對(duì)線(xiàn)性可分情況，支持向量機(jī)從最優(yōu)分類(lèi)面發(fā)展而來(lái)，引入核函數(shù)，在高維空間中，支持向量機(jī)能建立最優(yōu)分類(lèi)面，兩類(lèi)線(xiàn)性劃分的最優(yōu)超平面如下圖2-2所示：圖2-2兩類(lèi)線(xiàn)性劃分的最優(yōu)超平面上圖中位于中間的實(shí)線(xiàn)平面叫做最優(yōu)分類(lèi)面，其附近的虛線(xiàn)面是兩類(lèi)樣本集中離最優(yōu)分類(lèi)面最近的樣本虛線(xiàn)平面，兩條虛線(xiàn)之間的距離叫做分類(lèi)間隔，最優(yōu)分類(lèi)線(xiàn)就是要將兩類(lèi)樣本分開(kāi)，并且使分類(lèi)的間隔達(dá)到最大。面對(duì)線(xiàn)性回歸問(wèn)題，先對(duì)分類(lèi)線(xiàn)進(jìn)行標(biāo)準(zhǔn)化處理，使得對(duì)線(xiàn)性可分的訓(xùn)練樣本集滿(mǎn)足下面不等式：(2.1)上式中，，，。訓(xùn)練樣本可分，使分類(lèi)間隔最大或最小的分類(lèi)面就是所需要的最優(yōu)分類(lèi)面。使分類(lèi)的間隔達(dá)到最大就是提高泛化能力，這是SVM的核心思想之一。設(shè)線(xiàn)性函數(shù)為：(2.2)上式中，，，優(yōu)化問(wèn)題則為尋找最小的。使得最小。約束條件為：(2.3)如果訓(xùn)練集中有不滿(mǎn)足線(xiàn)性可分的樣本點(diǎn)，還要在條件中引入松弛變量，因此式和（2-2），可以寫(xiě)成(2.4)約束條件則變?yōu)椋海?.5）上式中，為懲罰系數(shù)，為不敏感損失系數(shù)，為變量的上下限。的具體取值為：（2.6）采用對(duì)偶原理將上式轉(zhuǎn)化為二次規(guī)劃問(wèn)題，構(gòu)造Lagrange方程：（2.7）上式中，，，，，對(duì)參數(shù),,和的偏導(dǎo)都為零，即為（2.8）及對(duì)偶優(yōu)化問(wèn)題：（2.9）約束為：（2.10）其中其中只有一小部分為零。根據(jù)KKT定理，在最優(yōu)解處（2.11）和（2.12）在不敏感范圍內(nèi)，所有樣本對(duì)應(yīng)的都為零，而外部點(diǎn)則有或者，處于邊界位置時(shí)，和都為零，于是和，因而得到（2.13）計(jì)算出b的值，進(jìn)一步得到：（2.14）最后得到：（2.15）2.2支持向量機(jī)回歸及其類(lèi)型支持向量機(jī)回歸是支持向量機(jī)在預(yù)測(cè)、估計(jì)方面的應(yīng)用。對(duì)于非線(xiàn)性回歸問(wèn)題，首先引入核函數(shù),把問(wèn)題轉(zhuǎn)化為Hilbert空間中的線(xiàn)性回歸問(wèn)題，然后構(gòu)造決策函數(shù)。在確定支持向量機(jī)回歸的類(lèi)型、核函數(shù)、損失函數(shù)以及選取相應(yīng)的參數(shù)后，就可利用支持向量機(jī)回歸的算法，對(duì)實(shí)際問(wèn)題建模，求出最優(yōu)化問(wèn)題，最后構(gòu)造決策函數(shù)。根據(jù)算法的不同，支持向量機(jī)回歸的類(lèi)型主要有-支持向量機(jī)回歸、-支持向量機(jī)回歸和最小二乘支持向量機(jī)回歸等。在支持向量機(jī)中，引入核函數(shù)是為了建立輸入空間到高維空間，常用的核函數(shù)有：1、多項(xiàng)式核：（2.16）其中：、、為參數(shù)，其中，是任意正整數(shù)，。當(dāng)時(shí)，為非齊次多項(xiàng)式核函數(shù),當(dāng)時(shí)，為齊次多項(xiàng)式核函數(shù)。2、Sigmoid核：（2.17）其中，、為參數(shù)。3、高斯徑向基函數(shù)：（2.18）此外，還有傅里葉核、B-樣條核等。ε-支持向量機(jī)回歸、ν-支持向量機(jī)回歸所選的損失函數(shù)都是ε-不敏感損失函數(shù)，這個(gè)定義是當(dāng)觀測(cè)值和預(yù)測(cè)值之差不超過(guò)實(shí)現(xiàn)給定的ε時(shí)，則認(rèn)為這時(shí)的預(yù)測(cè)值是無(wú)損失的。另外，還有其他損失函數(shù)，包括Gauss損失函數(shù)、Laplace損失函數(shù)、魯棒損失函數(shù)、多項(xiàng)式損失函數(shù)分段多項(xiàng)式損失函數(shù)等。選擇不同的損失函數(shù)，所要求解的最有問(wèn)題的目標(biāo)函數(shù)和約束條件就要發(fā)生變化。2.3本章小結(jié)本章介紹了支持向量機(jī)的基本理論,常用的核函數(shù)以及回歸估計(jì)類(lèi)型。支持向量機(jī)是基于統(tǒng)計(jì)學(xué)習(xí)理論，屬于機(jī)器學(xué)習(xí)方法在計(jì)算機(jī)科學(xué)和人工智能中的研究領(lǐng)域，是用最優(yōu)化方法解決機(jī)器學(xué)習(xí)問(wèn)題的工具。支持向量機(jī)通過(guò)構(gòu)造最優(yōu)超平面，根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化，在確保分類(lèi)精度的基礎(chǔ)上，使學(xué)習(xí)機(jī)器的VC維盡可能降低，從而縮小執(zhí)行范圍。

第3章交通流參數(shù)及預(yù)測(cè)方法3.1交通流基本參數(shù)通過(guò)對(duì)交通流量的實(shí)時(shí)誘導(dǎo)和控制是智能交通系統(tǒng)研究的根本目的，正確、及時(shí)地分配交通流量，從而緩解道路擁堵的情況，使交通網(wǎng)絡(luò)暢通，高效。因此，如何對(duì)交通流量做出正確準(zhǔn)確及時(shí)的預(yù)測(cè)，是控制和分配交通流量的前提。交通流具有時(shí)間和空間的變化特性，這種時(shí)空特性是某空間位置交通流運(yùn)行狀態(tài)的定性，定量特征。交通流量的預(yù)測(cè)實(shí)際就是對(duì)交通流基本參數(shù)的預(yù)測(cè)，交通流基本參數(shù)包括宏觀參數(shù)和微觀參數(shù)。宏觀參數(shù)是指通過(guò)整體的道路運(yùn)行狀態(tài)特性表現(xiàn)出來(lái)，主要包括流量、速度、密度、道路占有率、排隊(duì)長(zhǎng)度等；微觀參數(shù)是指道路中前后相關(guān)車(chē)輛間的運(yùn)行狀態(tài)特性，其中有車(chē)頭間距與車(chē)頭時(shí)距。一般情況下，主要選擇流量、速度和密度來(lái)反映交通流量的運(yùn)行狀態(tài)。流量，是指在單位時(shí)間內(nèi)通過(guò)某一斷面的實(shí)際車(chē)輛數(shù)，是描述交通流特征的三大參數(shù)之一。流量是隨時(shí)間和空間變化而變化的，要在道路系統(tǒng)一系列的位置上，搜集流量在時(shí)間和空間上數(shù)據(jù)和變化，為交通量的誘導(dǎo)和控制提供數(shù)據(jù)參考。速度，是指車(chē)輛在單位時(shí)間內(nèi)通過(guò)的距離，是描述交通流特性的三個(gè)基本參數(shù)之一。速度有幾種，其中包括地點(diǎn)速度、行程速度、行駛速度、臨界速度和設(shè)計(jì)速度。密度，是指在單位長(zhǎng)度道路上，某一瞬時(shí)所存的車(chē)輛數(shù)量。密度是瞬時(shí)值，隨著時(shí)間和空間的變化而發(fā)生變化。密度也是描述交通流特性的參數(shù)之一，應(yīng)用在劃分道路服務(wù)水平等方面。3.2交通流量數(shù)據(jù)的采集和特性交通流量是無(wú)時(shí)無(wú)刻都在變化的，因此如何獲取準(zhǔn)確的實(shí)時(shí)交通流量信息對(duì)下一時(shí)段或周期的交通流量預(yù)測(cè)十分重要。當(dāng)前交通流量數(shù)據(jù)是預(yù)測(cè)的依據(jù)，所以交通流量數(shù)據(jù)的采集是交通流量預(yù)測(cè)的第一步。隨著交通科技水平的發(fā)展，各種交通信息數(shù)據(jù)采集設(shè)備和技術(shù)應(yīng)運(yùn)而生。動(dòng)態(tài)交通流量數(shù)據(jù)采集技術(shù)分為固定型采集技術(shù)以及移動(dòng)型采集技術(shù)等。固定型采集技術(shù)主要是指運(yùn)用安裝在固定地點(diǎn)的交通檢測(cè)設(shè)備對(duì)來(lái)往的車(chē)輛進(jìn)行采集交通流量信息的方法，這些設(shè)備安裝在快速路的主干道或者次干道的交叉路口。這種技術(shù)以線(xiàn)圈檢測(cè)為代表，其具有技術(shù)成熟，精度高的優(yōu)點(diǎn)，但是因?yàn)橹荒軝z測(cè)安裝設(shè)備路段的交通流量信息，所以信息的完備性較差。移動(dòng)型采集技術(shù)是指用安裝有檢測(cè)設(shè)備的移動(dòng)車(chē)輛在道路上采集交通流量信息的方法，這種技術(shù)以浮動(dòng)車(chē)檢測(cè)技術(shù)為代表，因?yàn)槟軝z測(cè)到整個(gè)路段，所以采集到的交通信息的完備性好，但也存在精度不高的情況。運(yùn)用交通流檢測(cè)系統(tǒng)和路段檢測(cè)器，可獲得車(chē)輛通行數(shù)據(jù)資料，在交叉口路口前后分車(chē)型交通流信息，然后按照標(biāo)準(zhǔn)車(chē)型換算表?yè)Q算成當(dāng)前交通流量。由獲得的交通流信息可以看出，交通流具有以下特性：1、交通流的時(shí)間、空間特性：交通流量在不同的時(shí)間或者不同的空間有不同的情況出現(xiàn)，而且同一地點(diǎn)不同時(shí)間的交通流也有很大的不同。2、交通流的不確定特性：交通流變化過(guò)程是非線(xiàn)性，高維度，非平穩(wěn)的隨機(jī)過(guò)程，容易受各種因素的影響。例如：本路段過(guò)去幾個(gè)時(shí)段或者周期的交通流量，路段上下游的交通流量，天氣變化，交通道路通行狀況等。此外，旅客會(huì)根據(jù)實(shí)際交通路況來(lái)調(diào)整行程和路線(xiàn)，交通擁堵的路段也就會(huì)隨之發(fā)生變化。3、交通流的自組織特性：將由系統(tǒng)內(nèi)部決定，系統(tǒng)有序的結(jié)構(gòu)形成與完善叫做自組織。構(gòu)成交通流的行人和車(chē)輛會(huì)已實(shí)際交通狀況來(lái)確定他們的行動(dòng)方式，導(dǎo)致原能最有效的疏導(dǎo)交通的時(shí)間增長(zhǎng)，而這種集體行為從產(chǎn)生到消失的時(shí)間很短暫。所以宏觀上交通流量的演化過(guò)程存在自組織現(xiàn)象。綜合上面的交通流特性可知，交通流是一個(gè)巨大而且復(fù)雜的網(wǎng)絡(luò)，每一個(gè)因素都會(huì)影響著交通流的產(chǎn)生和發(fā)展變化。但每一次的變化絕非偶然，而是其內(nèi)部因素相互影響的必然結(jié)果，決定著下一時(shí)刻的短時(shí)交通流的變化。交通流的時(shí)空性，隨機(jī)時(shí)變不確定性等特性，呈現(xiàn)出一個(gè)錯(cuò)中復(fù)雜的交通網(wǎng)絡(luò)，為交通流預(yù)測(cè)帶來(lái)巨大的障礙和困難。因此，交通流的預(yù)測(cè)方法是世界研究的重要課題之一。3.3交通流預(yù)測(cè)的方法3.3.1交通狀態(tài)預(yù)測(cè)概述預(yù)測(cè)是對(duì)客觀事物的未來(lái)發(fā)展?fàn)顟B(tài)和變化趨勢(shì)進(jìn)行的分析推測(cè)，為后來(lái)的制定計(jì)劃和決策提供依據(jù)。人們根據(jù)事物間的相互聯(lián)系，應(yīng)用科學(xué)知識(shí)和手段從已經(jīng)掌握的歷史資料數(shù)據(jù)中進(jìn)行推斷。如今，預(yù)測(cè)已經(jīng)運(yùn)用到各種領(lǐng)域，如：經(jīng)濟(jì)預(yù)測(cè)、社會(huì)預(yù)測(cè)、技術(shù)預(yù)測(cè)等領(lǐng)域。按照預(yù)測(cè)的性質(zhì)，可以分為定性預(yù)測(cè)和定量預(yù)測(cè)：定性預(yù)測(cè)是以主觀認(rèn)識(shí)經(jīng)驗(yàn)和邏輯判斷為主，對(duì)事物未來(lái)的發(fā)展趨勢(shì)和發(fā)展?fàn)顩r進(jìn)行推測(cè)判斷。定性預(yù)測(cè)一般應(yīng)用于缺乏歷史資料的事件，更多的是根據(jù)專(zhuān)家經(jīng)驗(yàn)進(jìn)行預(yù)測(cè)。定量預(yù)測(cè)是指根據(jù)準(zhǔn)確、及時(shí)、全面的調(diào)查統(tǒng)計(jì)資料，運(yùn)用統(tǒng)計(jì)方法和數(shù)學(xué)模型，對(duì)事物發(fā)展前景的水平、規(guī)模做出預(yù)測(cè)。定量預(yù)測(cè)和統(tǒng)計(jì)的數(shù)據(jù)資料，資料有密切關(guān)系，所以也稱(chēng)為統(tǒng)計(jì)預(yù)測(cè)。常用方法有回歸法、時(shí)間序列法等。交通流量預(yù)測(cè)屬于社會(huì)預(yù)測(cè)的范疇，對(duì)社會(huì)的發(fā)展產(chǎn)生重要的作用。交通管理部門(mén)根據(jù)城市道路狀態(tài)進(jìn)行實(shí)時(shí)動(dòng)態(tài)管理和控制，為市民交通出行信息服務(wù)。準(zhǔn)確的道路交通信息預(yù)測(cè)，對(duì)進(jìn)行科學(xué)合理的交通誘導(dǎo)和控制，提高快速路的通行效率，緩解交通擁堵情況，減少環(huán)境污染資源浪費(fèi)有著重要的社會(huì)意義。然而，道路交通是一個(gè)無(wú)時(shí)無(wú)刻都在變化的復(fù)雜巨系統(tǒng)，道路狀態(tài)預(yù)測(cè)難度很大。要發(fā)揮智能交通誘導(dǎo)與控制的作用，就必須做好交通流量的預(yù)測(cè)工作。交通流量預(yù)測(cè)是基于動(dòng)態(tài)獲取的交通流量數(shù)據(jù)的時(shí)間序列來(lái)預(yù)測(cè)未來(lái)時(shí)段交通流量數(shù)據(jù)。常用流量，速度和占有率等作為反映交通流量狀態(tài)的參數(shù)，因此，交通流量預(yù)測(cè)實(shí)質(zhì)上是對(duì)這些交通流量的參數(shù)進(jìn)行預(yù)測(cè)。典型的交通流量狀態(tài)預(yù)測(cè)以統(tǒng)計(jì)分析的方法為基礎(chǔ)，比如有歷史趨勢(shì)法、時(shí)間序列法等。歷史趨勢(shì)法模型比較簡(jiǎn)單，但精度較差，無(wú)法實(shí)時(shí)反應(yīng)交通流量的時(shí)間變化特性，在沒(méi)有準(zhǔn)確實(shí)時(shí)的要求下，可以取得較好的效果。時(shí)間序列法相比前者計(jì)算簡(jiǎn)便，易于實(shí)時(shí)進(jìn)行更新，便于應(yīng)用。隨著道路交通流量的隨機(jī)性和非線(xiàn)性更強(qiáng)，后來(lái)就出現(xiàn)了支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、模糊理論、混沌理論和元胞自動(dòng)機(jī)等非線(xiàn)性系統(tǒng)理論為基礎(chǔ)的非線(xiàn)性預(yù)測(cè)模型。交通流量預(yù)測(cè)要解決的是從具有隨機(jī)性和不確定性的交通流量變化中，對(duì)采集來(lái)的交通流量參數(shù)數(shù)據(jù)進(jìn)行數(shù)據(jù)研究分析，找出內(nèi)在規(guī)律并建立預(yù)測(cè)模型和方法，以此來(lái)預(yù)測(cè)未來(lái)時(shí)段或周期的交通流量變化，其基本流程如圖3-1所示：車(chē)輛檢測(cè)器采集的數(shù)據(jù)交通流量數(shù)據(jù)預(yù)測(cè)模型和方法交通流量狀態(tài)預(yù)測(cè)圖3-1小時(shí)交通流量預(yù)測(cè)流程根據(jù)上述交通流量預(yù)測(cè)的概念，建立的預(yù)測(cè)模型應(yīng)該符合如下的要求：1、實(shí)時(shí)性和準(zhǔn)確性。預(yù)測(cè)模型要具備快速計(jì)算能力，且交通流量預(yù)測(cè)結(jié)果滿(mǎn)足相對(duì)誤差要求要求。2、動(dòng)態(tài)反饋性。交通流量一旦發(fā)生特殊情況，能及時(shí)反饋到計(jì)算模型中進(jìn)行調(diào)整。3、可靠性。交通流量預(yù)測(cè)受到的影響因素多種多樣，例如天氣的變化，道路施工，交通事故等，因此模型應(yīng)具有很好的抗干擾能力以及可以通過(guò)改變參數(shù)來(lái)適應(yīng)時(shí)間和空間的變化。3.3.2交通量短時(shí)預(yù)測(cè)方法交通優(yōu)化和交通管理和控制的基礎(chǔ)不能缺少交通流的預(yù)測(cè)研究，預(yù)測(cè)的信息是依據(jù)小時(shí)、日、月、季度、年為單位進(jìn)行統(tǒng)計(jì)數(shù)據(jù)，也可能根據(jù)當(dāng)前時(shí)段或者周期來(lái)預(yù)測(cè)下一個(gè)周期或時(shí)段的交通流狀態(tài)。因此，做好交通流量短時(shí)預(yù)測(cè)非常重要，關(guān)系到交通誘導(dǎo)和控制的正常進(jìn)行。迄今為止，已有很多理論和方法應(yīng)用于短時(shí)短時(shí)交通流量預(yù)測(cè)領(lǐng)域，有基于線(xiàn)性系統(tǒng)理論的預(yù)測(cè)方法、基于知識(shí)發(fā)現(xiàn)的智能模型的預(yù)測(cè)方法、基于非線(xiàn)性系統(tǒng)理論的預(yù)測(cè)方法、基于組合模型的預(yù)測(cè)方法、基于交通模擬的預(yù)測(cè)方法等。上述的交通流預(yù)測(cè)的模型和方法，各有缺點(diǎn)?；诰€(xiàn)性系統(tǒng)理論的預(yù)測(cè)方法計(jì)算復(fù)雜性低，操作簡(jiǎn)單，但對(duì)于路況復(fù)雜的交通系統(tǒng)則不能滿(mǎn)足預(yù)測(cè)結(jié)果的精確性和動(dòng)態(tài)反饋性?；诜蔷€(xiàn)性的系統(tǒng)理論的預(yù)測(cè)方法體現(xiàn)了交通狀態(tài)非線(xiàn)性的特征，精確性較高，但計(jì)算復(fù)雜，理論有待深入?；谥R(shí)發(fā)現(xiàn)的智能模型有很強(qiáng)的數(shù)據(jù)處理能力，預(yù)測(cè)結(jié)果令人滿(mǎn)意，但計(jì)算復(fù)雜性高，參數(shù)選擇困難。基于組合模型的預(yù)測(cè)方法能結(jié)合各種模型的優(yōu)點(diǎn)，如組合方法不當(dāng)，預(yù)測(cè)效果可能反而變差。從目前情況來(lái)看，每一種方法都有自己的適用范圍和條件。對(duì)于某種特定的情形，預(yù)測(cè)結(jié)果能獲得令人滿(mǎn)意的結(jié)果，而在其他環(huán)境下，預(yù)測(cè)的結(jié)果卻差強(qiáng)人意。所以，對(duì)于各種環(huán)境下的交通流預(yù)測(cè)，應(yīng)該是多種方法，相互協(xié)調(diào)補(bǔ)充的過(guò)程。短時(shí)交通流預(yù)測(cè)與其他的預(yù)測(cè)應(yīng)用不同，提出了更高的要求，短時(shí)交通流預(yù)測(cè)是在線(xiàn)、實(shí)時(shí)完成的。一方面，短時(shí)交通量預(yù)測(cè)是為交通誘導(dǎo)和控制提供依據(jù)，所以預(yù)測(cè)模型必須在短時(shí)間內(nèi)完成復(fù)雜的計(jì)算，保證及時(shí)對(duì)下一時(shí)段的交通量進(jìn)行估計(jì)，否則預(yù)測(cè)結(jié)果也是無(wú)用的。另一方面，交通流數(shù)據(jù)的檢測(cè)、傳輸也是實(shí)時(shí)完成的，要從預(yù)測(cè)系統(tǒng)中獲取大量的數(shù)據(jù)中作出準(zhǔn)確性評(píng)價(jià)，作出科學(xué)準(zhǔn)確的預(yù)測(cè)。3.4本章小結(jié)本章對(duì)交通流的基本參數(shù)——流量、速度、密度，進(jìn)行了簡(jiǎn)要的敘述，了解到交通流具有時(shí)空特性，隨機(jī)性，不確定性，不可預(yù)知性等特性，充分說(shuō)明交通網(wǎng)絡(luò)是一個(gè)復(fù)雜且時(shí)變的網(wǎng)絡(luò)。接著對(duì)交通預(yù)測(cè)的概念進(jìn)行了說(shuō)明，對(duì)眾多的交通流量預(yù)測(cè)方法進(jìn)行分類(lèi)，提出了交通預(yù)測(cè)模型應(yīng)具備的要求。最后提出了交通狀態(tài)短時(shí)預(yù)測(cè)的方法，交通短時(shí)預(yù)測(cè)方法具有實(shí)時(shí)性、準(zhǔn)確性、可靠性等特性，對(duì)交通管理和控制有指導(dǎo)的效果，是智能交通的關(guān)鍵技術(shù)之一。

第4章基于支持向量機(jī)的小時(shí)交通流預(yù)測(cè)4.1概述第2章所提及的機(jī)器學(xué)習(xí)在交通流預(yù)測(cè)中主要是回歸預(yù)測(cè)問(wèn)題，就是從采集到的交通流量數(shù)據(jù)中找到規(guī)律，利用規(guī)律對(duì)未來(lái)交通流量數(shù)據(jù)進(jìn)行預(yù)測(cè)，然后掌握交通流量的變化規(guī)律，根據(jù)規(guī)律采取相應(yīng)的措施，實(shí)行交通誘導(dǎo)和控制。支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)是眾多新算法研究中的熱點(diǎn)，都屬于機(jī)器學(xué)習(xí)方法的范疇。神經(jīng)網(wǎng)絡(luò)具有逼近任意非線(xiàn)性函數(shù)，容錯(cuò)和自學(xué)習(xí)的優(yōu)勢(shì)，具有強(qiáng)大的并行處理能力，學(xué)習(xí)能力和自適應(yīng)能力。但是，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程過(guò)分依賴(lài)經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則，在小樣本數(shù)據(jù)的學(xué)習(xí)過(guò)程中容易出現(xiàn)過(guò)學(xué)習(xí)現(xiàn)象，以致于泛化能力低下。此外，神經(jīng)網(wǎng)絡(luò)算法容易受到網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜性和樣本復(fù)雜性的影響，容易陷入局部極小點(diǎn)和出現(xiàn)“維數(shù)災(zāi)害”問(wèn)題?；谥С窒蛄繖C(jī)預(yù)測(cè)交通信息的思想在于，首先選擇非線(xiàn)性映射把樣本向量從原空間向量映射到高維特征向量，然后在高維特征空間構(gòu)造最優(yōu)的決策函數(shù)。采用結(jié)構(gòu)最小化原則，引入決策函數(shù)，利用原空間的核函數(shù)取代高維特征空間的點(diǎn)積運(yùn)算。根據(jù)算法的不同，用于預(yù)測(cè)交通量的有-支持向量機(jī)、-支持向量機(jī)和最小二乘支持向量機(jī)（LS-SVM）等。4.2支持向量機(jī)回歸的交通信息預(yù)測(cè)基于支持向量機(jī)的預(yù)測(cè)方法，核心在于利用支持向量機(jī)回歸的思路。小時(shí)交通流量的支持向量機(jī)回歸預(yù)測(cè)方法，是支持向量機(jī)回歸理論在短時(shí)交通流預(yù)測(cè)中的一種應(yīng)用，在交通狀態(tài)隨機(jī)的變化過(guò)程中，根據(jù)交通流量狀態(tài)基本參數(shù)，結(jié)合其他因素，利用歷史數(shù)據(jù)訓(xùn)練支持向量機(jī)，尋找出輸入與輸出之間的規(guī)律，建立支持向量機(jī)回歸預(yù)測(cè)模型，以預(yù)測(cè)下一個(gè)時(shí)段或者周期的交通流量。應(yīng)用支持向量機(jī)預(yù)測(cè)交通流，先用歷史數(shù)據(jù)來(lái)訓(xùn)練支持向量機(jī)，從而得到輸入與輸出之間的相互依賴(lài)關(guān)系，那么預(yù)測(cè)時(shí)就能給定相應(yīng)的輸入就能得到交通流預(yù)測(cè)結(jié)果。假設(shè)給定訓(xùn)練數(shù)據(jù)樣本{(x1,y1),…,(xl,yl)}Rn×R。用非線(xiàn)性映射把輸入的數(shù)據(jù)樣本從原空間映射到高維特征空間，在高維空間構(gòu)造最優(yōu)決策函數(shù)，同時(shí)引入損失函數(shù)，用原空間的核函數(shù)取代高維特征空間的點(diǎn)積運(yùn)算，實(shí)現(xiàn)線(xiàn)性回歸，即特征空間中構(gòu)造分類(lèi)超平面：（4.1）在高維空間的線(xiàn)性回歸對(duì)應(yīng)著低維空間非線(xiàn)性回歸，定義不敏感損失函數(shù)：（4.2）支持向量回歸（SVR）問(wèn)題就找到適當(dāng)?shù)谋平瘮?shù)使最小：（4.3）式中：為線(xiàn)性權(quán)值向量；是第個(gè)輸入,是對(duì)應(yīng)的期望輸出;C是復(fù)雜度和樣本擬合精度的折衷，其值越大則擬合精度越高；不敏感損失函數(shù)即回歸允許的最大誤差，當(dāng)它的值越大時(shí)，支持向量數(shù)量越少。這樣式子就變成：（4.4）相應(yīng)的對(duì)偶形式為：（4.5）核函數(shù)滿(mǎn)足Mercer條件，代替，，把內(nèi)積式轉(zhuǎn)化成核函數(shù)式：（4.6）實(shí)現(xiàn)非線(xiàn)性回歸核函數(shù)，樣本對(duì)應(yīng)的輸出公式為：（4.7）的計(jì)算公式為：（4.8）4.3支持向量機(jī)的交通信息預(yù)測(cè)的具體步驟1、對(duì)歷史交通量數(shù)據(jù)進(jìn)行歸一化處理，確定合適的嵌入維數(shù)m，生成數(shù)據(jù)集。2、選擇核函數(shù)，確定SVM參數(shù)。得到樣本數(shù)據(jù)集后，選擇徑向基函數(shù)（RBF）作為核函數(shù)，并確定二次規(guī)劃的優(yōu)化參數(shù)和C。和C對(duì)支持向量機(jī)算法的學(xué)習(xí)能力和推廣能力有很大的影響。懲罰系數(shù)C取值小，訓(xùn)練誤差就會(huì)增大，懲罰系數(shù)取值大，學(xué)習(xí)精度提高，但模型的泛化能力就變差。因此，選取適當(dāng)?shù)膽土P系數(shù)C對(duì)預(yù)測(cè)模型很重要，適當(dāng)?shù)腃值能減小離群樣本的干擾，提高模型的穩(wěn)定性。不敏感損失函數(shù)控制的是模型的預(yù)測(cè)能力，取值大時(shí)，導(dǎo)致學(xué)習(xí)精度低，推廣能力下降。取值小時(shí)，就會(huì)導(dǎo)預(yù)測(cè)致模型過(guò)于復(fù)雜，訓(xùn)練時(shí)間變長(zhǎng)。因此，可以使用動(dòng)態(tài)調(diào)整的方法來(lái)確定參數(shù)，先用先驗(yàn)知識(shí)方法固定其中一個(gè)參數(shù)，然后用列舉法來(lái)確定另外一個(gè)參數(shù)。最后固定已經(jīng)優(yōu)化的參數(shù)來(lái)確定未優(yōu)化的參數(shù)，以最終確定和C。輸入數(shù)據(jù)集，生成預(yù)測(cè)函數(shù)。輸入數(shù)據(jù)集，求得Lagrange乘數(shù)和偏置的值，確定預(yù)測(cè)函數(shù)（4.9）4、預(yù)測(cè)并進(jìn)行誤差分析。根據(jù)生成的預(yù)測(cè)函數(shù)預(yù)測(cè)未來(lái)時(shí)段的交通流量信息，并對(duì)預(yù)測(cè)結(jié)果進(jìn)行誤差評(píng)價(jià)分析。如果發(fā)現(xiàn)相對(duì)誤差較大，則需要返回地2步，重新調(diào)整SVM的參數(shù)。4.4本章小結(jié)本章提出了基于支持向量機(jī)回歸的交通量預(yù)測(cè)的方法，支持向量機(jī)能較好地解決“小樣本”、“維數(shù)災(zāi)害問(wèn)題”、“過(guò)學(xué)習(xí)問(wèn)題”、“局部極小點(diǎn)問(wèn)題”。接著介紹了如何通過(guò)訓(xùn)練數(shù)據(jù)樣本實(shí)現(xiàn)非線(xiàn)性回歸，確定支持向量機(jī)交通信息預(yù)測(cè)的具體步驟，包括如何選擇核函數(shù)，確定支持向量機(jī)參數(shù)，引入損失函數(shù)，構(gòu)造最優(yōu)超平面，輸入歷史數(shù)據(jù)集，生成預(yù)測(cè)函數(shù)結(jié)果等問(wèn)題。

第5章仿真研究借用梁新榮教授的實(shí)驗(yàn)數(shù)據(jù)，使用MATLABR2011a實(shí)現(xiàn)基于支持向量機(jī)對(duì)廣州某快速路小時(shí)交通量預(yù)測(cè)的編程。5.1交通流量預(yù)測(cè)選取廣州某快速路作為預(yù)測(cè)對(duì)象，采集2008年6月和8月周一到周五和周末的交通流量數(shù)據(jù)，一共42天1008個(gè)周一到周五數(shù)據(jù)和20天的480個(gè)周末的數(shù)據(jù)，利用MATLAB軟件進(jìn)行數(shù)據(jù)仿真得出預(yù)測(cè)結(jié)論。本論文先采用周一到周五（工作日）連續(xù)5天的交通流量作為輸入進(jìn)行預(yù)測(cè)，其中利用數(shù)據(jù)集的前36天交通數(shù)據(jù)作為樣本集，后6天的數(shù)據(jù)作為測(cè)試集。預(yù)測(cè)前先對(duì)交通流量樣本數(shù)據(jù)進(jìn)行處理。根據(jù)交通調(diào)查車(chē)型分類(lèi)及車(chē)輛折算系數(shù)表5-1進(jìn)行換算交通流量：表5-1車(chē)輛系數(shù)折算表車(chē)型小貨車(chē)中貨車(chē)大貨車(chē)特大貨車(chē)小客車(chē)大客車(chē)拖掛車(chē)集裝箱車(chē)折算系數(shù)11.52311.533通過(guò)折算系數(shù)表對(duì)當(dāng)天每個(gè)小時(shí)各車(chē)型的數(shù)量進(jìn)行換算后，綜合起來(lái)即為當(dāng)天24小時(shí)的交通流量。以1個(gè)小時(shí)作為交通流量信息預(yù)測(cè)單位，輸入連續(xù)5天當(dāng)天該小時(shí)的流通量樣本數(shù)，預(yù)測(cè)未來(lái)一天該小時(shí)的交通流量信息，得出預(yù)測(cè)結(jié)果。再以得到的預(yù)測(cè)結(jié)果與樣本集中的交通流量信息進(jìn)行誤差評(píng)價(jià)分析，從而評(píng)估建立的基于支持向量機(jī)回歸的交通流量預(yù)測(cè)模型的可行性。預(yù)測(cè)值的相對(duì)誤差計(jì)算公式：（5.1）為實(shí)際值，預(yù)測(cè)值。以1小時(shí)為單位的交通量預(yù)測(cè)，用MATLAB語(yǔ)言編制m文件程序進(jìn)行仿真，則有24個(gè)m文件程序，現(xiàn)在摘取第11小時(shí)的交通量預(yù)測(cè)的程序進(jìn)行展示。全天第11個(gè)小時(shí)的交通量預(yù)測(cè)程序如下：clcclearclosealltic;%六月數(shù)據(jù)AA=[6836124904684745819871420214128852999278521172279266526362693262222351315160414541209918%六月2號(hào)周一70954646246546357493711592110298332032820206524452755296829852845236616651954189315141137%六月3號(hào)周二8666815164824745678411187243629272705292823032480284029902895289624151631182117181268893%六月4號(hào)周三6425074353854234957821023190028833179295619332249278530132891317124861592187017031290922%六月5號(hào)周四607535446409438512834966180125662991271719482273283032902986314726511868200518141349936%六月6號(hào)周五68756752144648356610091520219827622926268720672239271327052521250521361306164914901212976%六月9號(hào)周一71157246344943556382611362129295932392811205223792685308929532745237616151841179514571078%六月10號(hào)周二8116664734514595839461273247429152803280322102438278330292964292623791609189817241252919%六月11號(hào)周三6835494273754545097201005187426853202297019372211279730543038310424811772196617531363904%六月12號(hào)周四6525094824274595277931085186526163039277219712355294732613045327927491966215117901417954%六月13號(hào)周五70258854052551463310141511226729893082288121522332275127582751275923191515161415741339973%六月16號(hào)周一75859549349348059892212102069286431242721198923712712285928492673227415861809173314431069%六月17號(hào)周二7986765204674655649241254231929432804282319211452176825102732260320071701185018261342983%六月18號(hào)周三7465615114165025429001010186627633246294219222154280831853035321126841872204718831518991%六月19號(hào)周四72554352950453362391511321966263730692786199323363000338431363366290420362170186114231021%六月20號(hào)周五82270958759756677111131462243029283098276220432002259127272703268422801498166916221296969%六月23號(hào)周一746601511520491708100712682110286231662774202024322803297129062814235416961912187615041157%六月24號(hào)周二9087245285094785808681134252530472804284922782410278830272877294024151662182516511267944%六月25號(hào)周三6955454493724685357741036190229623052262716922004265830653000316125781792200114901185903%六月26號(hào)周四7135244884224734628401027177226472943273020182308289732823032324226971931203716861304975%六月27號(hào)周五72357748147551559510541445218827412955272020942270273927302642265722221416150414501225919%六月30號(hào)周一6154944594044964286281426186116082284222519042304287032302856335825741802197916631235859%八月1號(hào)周五6905924984674865259721408210127172839266621522210254625212519248222391365151113821178891%八月4號(hào)周一67448754045941324478711722075288732092809200124012580273727772584250017351890185715171119%八月5號(hào)周二9057535465115135378871176231329832705292522942442290429013083286925001737198718171394983%八月6號(hào)周三7595775504195174837921014191529423315311920392263283630663088318126101825201918591421950%八月7號(hào)周四7135105034984975878441036192226523136281920402394298234503116336727531919212217421404994%八月8號(hào)周五74562754825154558710761546225928563074285322242301270227492684266522111410163115281259949%八月11號(hào)周一72161750351752259693711912080298932732897209825092831303129652885246516821989195015041208%八月12號(hào)周二9247936065325315789031274247929752814298122402450290930692999301324441737196317801431992%八月13號(hào)周三7406235294435035258241013194128603109305320482318278830242974319226431824209418481403957%八月14號(hào)周四714579554450491513821934181125162935265419042304287032302856335825741820218218611330968%八月15號(hào)周五7426105154494814599361413217427202787251520362225259825702428266120411349171415781270932%八月18號(hào)周一74059351350948347773311092058287930992705191523672741290027792785222016392007189415101120%八月19號(hào)周二8637015125224974576561095227728142540282121982417282329202766291222721633197319071319970%八月20號(hào)周三741547484431474488570855180527833131286119342178277829832885320124531722209718541397914%八月21號(hào)周四695526495410506428616934181125162935265419042304287032302856335825741820218218611330968%八月22號(hào)周五7426105154494814599361413217427202787251520362225259825702428266120411349171415781270932%八月25號(hào)周一74059351350948347773311092107289932062714208125272789300329712806245216471900192415531169%八月26號(hào)周二8927405535124854928651065238828892556283222872526285930312817286524361681164019071319970%八月27號(hào)周三741547484431474488570855180527833131286119342178277829832885320124531722209718541397914%八月28號(hào)周四695526495410506428616934181125162935265419042304287032302856335825741820218218611330968];%八月29號(hào)周五e(cuò)rror=zeros(6,1);%forv=1:1:24v=11;d7=AA(1:36,v)';d8=(1/3400)*d7;N=length(d8);d2=d8;ws=5;p=5;d3=zeros(32,5);fori=1:36-ws+1d3(i,:)=d2(i:i+ws-1);endfirst=d2(36-ws+1:36);eee=0.7;h=1;fori=1:36-wsifsqrt((first-d3(i,:))*(first-d3(i,:))')<eeex(h,:)=d3(i,:);y(h)=d2(i+ws);h=h+1;endendy=y(1:h-1);%每次對(duì)y重新賦值n=length(y);e=0.03;c1=e-y;c2=e+y;c=c1;c(n+1:2*n)=c2;f1=c';f=f1;fori=1:nforj=1:nd(i,j)=exp(-(x(i,:)-x(j,:))*(x(i,:)-x(j,:))'/1.5);endendd=d(1:n,1:n);%每次對(duì)d重新賦值H=d;H(1:n,n+1:2*n)=-d;H(n+1:2*n,1:n)=-d;H(n+1:2*n,n+1:2*n)=d;A(1:n)=0;A(n+1:2*n)=0;A=A(1:2*n);b=1;Aeq(1:n)=1;Aeq(n+1:2*n)=-1;Aeq1=Aeq(1:n);Aeq2=Aeq(n+1:2*n);Aeq=[Aeq1,Aeq2];beq=0;q=200;x0(1:2*n)=1;LB1(1:2*n)=0;UB1(1:2*n)=q;LB=LB1';UB=UB1';options=optimset('LargeScale','off','MaxIter',2000);%[Xokhow]=quadprog(H,f',A,b,Aeq,beq,LB,UB);[Xokhow]=quadprog(H,f',A,b,Aeq,beq,LB,UB,x0,options);%X是返回最優(yōu)解；ok是返回解所對(duì)應(yīng)的目標(biāo)函數(shù)值；how是描述搜索是否收斂；svm=0;fori=1:nifabs(X(i)-X(i+n))<=0.000001X(i)=0;X(i+n)=0;svm=svm+1;endendsvms=n-svm;ddd=0;k=1;fori=1:nifX(i)>0&X(i)<qxx(k,:)=x(i,:);yy(k)=y(i);k=k+1;endendforj=1:k-1dd=0;fori=1:ndd=dd+(X(i)-X(i+n))*exp(-((xx(j,:)-x(i,:))*(xx(j,:)-x(i,:))')/1.5);endddd=ddd+yy(j)-e-dd;endb1=ddd/(k-1);ddd=0;k=1;fori=1:nifX(i+n)>0&X(i+n)<qxx(k,:)=x(i,:);yy(k)=y(i);k=k+1;endendforj=1:k-1dd=0;fori=1:ndd=dd+(X(i)-X(i+n))*exp(-((xx(j,:)-x(i,:))*(xx(j,:)-x(i,:))')/1.5);endddd=ddd+yy(j)+e-dd;endb2=ddd/(k-1);b=(b1+b2)/2;fori=1:h-1ok=0;forj=1:nok=ok+(X(j)-X(j+n))*exp(-((x(i,:)-x(j,:))*(x(i,:)-x(j,:))')/1.5);endbel(i)=ok+b;endforw=37:1:42aa=d8(w-p:w-1);ok=0;fori=1:nok=ok+(X(i)-X(i+n))*exp(-((aa-x(i,:))*(aa-x(i,:))')/1.5);endjie=ok+b;d8(w)=jie;endjie2(1,v)=d8(37)*3400;jie2(2,v)=d8(38)*3400;jie2(3,v)=d8(39)*3400;jie2(4,v)=d8(40)*3400;jie2(5,v)=d8(41)*3400;jie2(6,v)=d8(42)*3400;forw=1:1:6PAE=abs(AA(36+w,v)-ceil(jie2(w,v)))/AA(36+w,v)*100;error(w,1)=PAE;end%enderrorceil(jie2(:,v))使用MATLAB軟件對(duì)上述程序進(jìn)行仿真，就可以得到未來(lái)6天第11個(gè)小時(shí)的交通量預(yù)測(cè)值。下表5-2為第37天到第42天（共6天）的分別在24個(gè)小時(shí)的交通量預(yù)測(cè)值，流量的單位為PCU/1h。表5-2第37天到第42天分別在第1小時(shí)到第24小時(shí)的交通流量預(yù)測(cè)值時(shí)間段第一天第二天第三天第四天第五天第六天第1小時(shí)748752761826768771第2小時(shí)561576567637561562第3小時(shí)525538543560524543第4小時(shí)426445501504432422第5小時(shí)490482488492486490第6小時(shí)470484464479468481第7小時(shí)704840676860479691第8小時(shí)907150512351128773843第9小時(shí)195522802205238319091854第10小時(shí)263726742783275027392705第11小時(shí)302128253126264129712962第12小時(shí)282427232683267426822696第13小時(shí)204320222001210919892052第14小時(shí)228922742329233722812301第15小時(shí)286127012715274627692851第16小時(shí)327327172941289030423225第17小時(shí)281127482775277627902787第18小時(shí)332926742836287631823291第19小時(shí)261722272347223525492572第20小時(shí)187913251591163316081898第21小時(shí)207016581894183620892007第22小時(shí)189716311914189817911904第23小時(shí)138512961464134213891420第24小時(shí)981975107810269831005根據(jù)上表得到的預(yù)測(cè)值，與測(cè)試集中實(shí)際交通流量值進(jìn)行對(duì)比，繪制出5輸入6天預(yù)測(cè)值與實(shí)際值交通量對(duì)比圖如下，其中橫坐標(biāo)為時(shí)間段，縱坐標(biāo)為交通量：圖5-1第一天圖5-2第二天圖5-3第三天圖5-4第四天圖5-5第五天圖5-6第六天從上面的6個(gè)圖可以看出，預(yù)測(cè)值基本與測(cè)試集中的實(shí)際值相近，基本可以判斷建立的預(yù)測(cè)模型成功有效。接下來(lái)，對(duì)預(yù)測(cè)值與實(shí)際值進(jìn)行誤差評(píng)價(jià)分析，從數(shù)學(xué)分析角度評(píng)價(jià)此預(yù)測(cè)模型，使用公式（5.1）進(jìn)行相對(duì)誤差的計(jì)算，下表5-3為5輸入模型預(yù)測(cè)結(jié)果的相對(duì)誤差表：表5-35輸入預(yù)測(cè)值的相對(duì)誤差時(shí)間段第一天第二天第三天第四天第五天第六天第1小時(shí)7.62591.34772.83787.39913.643710.9353第2小時(shí)6.65405.57384.384513.91892.55946.8441第3小時(shí)6.06064.46605.84801.26588.26459.6970第4小時(shí)3.90240.89091.57171.56250.23202.9268第5小時(shí)3.16210.20791.03521.44332.53163.1621第6小時(shí)9.81315.44662.72542.64234.098412.3832第7小時(shí)14.285710.25647.77630.578015.964912.1753第8小時(shí)2.89086.511011.36165.91559.59069.7430第9小時(shí)7.95144.87584.65120.20945.76182.3744第10小時(shí)4.80921.69124.00144.81141.58107.5119第11小時(shí)2.93021.36352.49533.32555.11020.9199第12小時(shí)6.40548.27041.14225.57916.25661.5825第13小時(shí)7.30040.68763.84437.78312.84387.7731第14小時(shí)0.65102.20227.83547.48224.72910.1302第15小時(shí)0.31363.96462.65333.95240.32400.6620第16小時(shí)1.33135.71982.06464.65191.97790.1548第17小時(shí)1.575613.17966.59711.45543.29292.4160第18小時(shí)0.86360.48851.06910.38390.59361.9952第19小時(shí)1.67069.11324.28228.25123.91360.0777第20小時(shí)3.24181.77913.40012.85546.62024.2857第21小時(shí)5.13293.26720.315811.95120.38158.0202第22小時(shí)1.93443.35870.51980.47193.39812.3106第23小時(shí)4.13532.04725.73081.74370.57276.7669第24小時(shí)1.34304.61377.78445.77327.54923.8223從上表的相對(duì)誤差數(shù)據(jù)分析結(jié)果表明，此支持向量機(jī)回歸預(yù)測(cè)模型對(duì)交通流量的預(yù)測(cè)的相對(duì)誤差控制在15%以下，說(shuō)明此預(yù)測(cè)模型能得到理想的預(yù)測(cè)效果，為交通流量預(yù)測(cè)提供了新的思路，為制定交通流量控制方案提供了科學(xué)的參考。由此可知，基于支持向量機(jī)的交通流量預(yù)測(cè)是可行的，而且具有較好的現(xiàn)實(shí)意義和有效性。用5輸入預(yù)測(cè)周末的交通流量如表5-4：表5-45輸入周末的流量預(yù)測(cè)值與誤差預(yù)測(cè)值預(yù)測(cè)值的絕對(duì)相對(duì)誤差時(shí)間段第一天第二天第一天第二天第1小時(shí)7697643.51320.9079第2小時(shí)6676680.14973.7267第3小時(shí)5575431.59011.3060第4小時(shí)4714521.67011.5251第5小時(shí)4634662.20752.8698第6小時(shí)4724753.47650.2110第7小時(shí)74070510.61291.2605第8小時(shí)102610702.39520.0000第9小時(shí)166016400.24044.3921第10小時(shí)239122580.87065.5633第11小時(shí)273526673.67706.3821第12小時(shí)267224140.98260.4578第13小時(shí)185219320.05400.9231第14小時(shí)214222680.18711.7757第15小時(shí)281627801.29501.0324第16小時(shí)314630340.69440.2313第17小時(shí)224825870.57502.1558第18小時(shí)306929031.35001.5035第19小時(shí)227924151.38470.9840第20小時(shí)168816756.53386.2150第21小時(shí)204620364.33453.3238第22小時(shí)185718510.43271.3136第23小時(shí)135414280.51430.6954第24小時(shí)100010730.09990.28045輸入周末的實(shí)際值與預(yù)測(cè)值作圖如下：圖5-7第一天圖5-8第二天從表5-4的相對(duì)誤差中可以看出，相對(duì)誤差控制在11%以下，說(shuō)明預(yù)測(cè)模型得到良好的預(yù)測(cè)效果。5.2本章小結(jié)本章通過(guò)交通流量仿真研究實(shí)例，從實(shí)際交通流量的采集，車(chē)流量折算，生成預(yù)測(cè)結(jié)果，再通過(guò)預(yù)測(cè)值與實(shí)際值作圖對(duì)比分析和相對(duì)誤差進(jìn)行分析評(píng)價(jià)，展示了支持向量機(jī)回歸預(yù)測(cè)模型預(yù)測(cè)交通流量的全過(guò)程。從相對(duì)誤差分析結(jié)果可以看出，相對(duì)誤差控制在15%以下，說(shuō)明基于支持向量機(jī)預(yù)測(cè)快速路交通流量具有令人滿(mǎn)意的預(yù)測(cè)效果，對(duì)城市交通流量是完全可以預(yù)測(cè)。

結(jié)論交通道路系統(tǒng)是時(shí)變、非線(xiàn)性、高維、非平穩(wěn)、具有隨機(jī)性的復(fù)雜巨系統(tǒng)，交通狀態(tài)受到人、車(chē)、路、環(huán)境等各種因素的影響。目前已存在很多種短時(shí)交通流量預(yù)測(cè)的方法，本文采用基于支持向量機(jī)回歸的預(yù)測(cè)方法，對(duì)快速路進(jìn)行小時(shí)交通流量預(yù)測(cè)，根據(jù)預(yù)測(cè)結(jié)果應(yīng)用于智能交通系統(tǒng)中，對(duì)未來(lái)的交通流量進(jìn)行科學(xué)合理地控制有誘導(dǎo)，從而提高