论文部分内容阅读
智能交通系统(ITS)是近几十年发展起来的着力构建综合交通运输的体系,它的成功将不可避免地改变当前交通的工作方式。目前,复杂的交通状况是令人头疼的问题,为了改善交通状况,提高城市道路交通信息预测精度是主要任务之一,同时也是智能交通系统的一个重要课题。而在最近几年,许多学者将交通信息预测的理论研究都集中于预测的可靠性和准确性。灰色预测模型(GM)的新数据能够使初始数据不再具有随机性,解决了以往寻找数据转换规则难的问题,而这种新数据是通过累加生成(AGO)获取的。所以,灰色方法经常用于解决样本数量和信息数量都少的问题。但最近一些研究表明,单独使用灰色预测方法来处理交通信息数据会出现较大的误差,预测精度不是十分理想。支持向量机(SVM)依赖于统计学习,是一种功能强大的分类和预测方案。根据自身特性,能够实现预测精确度与复杂度的有效折衷。它能够有效地处理小样本、非线性、高维、局部最小点和其他一些实际问题,以及能够很好地描述交通信息数据和影响因素之间的非线性关系,所以适用于交通信息的预测。以支持向量机为研究基础,Suykens等人经过努力,通过将二次规划问题进行变形,最终变成一个线性方程组求解问题,即所谓的最小二乘支持向量机(LSSVM),该方法不仅降低了计算的复杂程度而且也加快了求解的速度。本文中,根据交通信息非线性、复杂性和不确定性等特点,基于灰色模型和最小二乘支持向量机的优势,建立一种组合方法,即灰色模型与最小二乘支持向量机组合算法(GM-LSSVM)。首先,通过采用残差修正和背景值修正的方法对灰色模型进行改进,而最小二乘支持向量机采用交叉验证的方法来寻找最优参数。然后,采用组合预测模型对长春市某外环路的交通流量、速度以及占有率进行预测,并使用GM模型以及LSSVM模型等作为对比模型。最后,对几种预测方法进行仿真,对结果进行归纳和总结。实验结果表明,应用本文所提出的方法来预测交通信息,预测效果非常理想,能够得到满意的预测精度,并且通过对比,组合预测方法优于其他几个模型,所以该方法可以广泛应用于相关工程领域。对交通信息实现准确实时的预测,不仅可以提升智能交通系统各个子系统的性能,而且还可以提高城市的交通管理水平以及解决城市日益恶化的交通拥堵问题。综上所述,从研究的理论优势和更好的性能表明,GM-LSSVM模型具有很好的开发潜力,应用于交通信息预测是有效可行的。