The present invention provides a method for short-term traffic prediction based on SVM algorithm, the method by SVM nonlinear regression to forecast traffic value, according to the time before the road adjacent values to train the SVM model, and forecast the next period of the road, and the road to complete according to the prediction of short-term traffic congestion Road as the congestion level, the invention adopts the dynamic adjustment of parameters of the way to get the SVM model to determine the optimal parameters of kernel function, so as to improve the prediction accuracy, reduce the error effect; SVM nonlinear regression to predict the traffic based on the value, according to the time value to the road nearby before training the SVM model, and forecast the next the traffic time value, and value prediction into road congestion level complete traffic congestion in short time according to the road.
【技术实现步骤摘要】
一种基于SVM算法对短时交通路况预测的方法
本专利技术属于智能交通
,具体涉及一种基于SVM算法对短时交通路况预测的方法。
技术介绍
道路交通系统是一个众多人参与、实时变化、复杂的非线性系统,具有高度的不确定性,和随机性。这些因素都给交通预测带来了困难,尤其是短时交通预测受随机干扰因素如交通事故、道路施工、突发事件、天气变化等影响更大,不确定性更大规律性更加不明显。交通流具有高度的复杂性、非线性和不确定性,因此以经典的数学方法为基础建立的交通路况预测模型,其预测精度难以很好地满足智能交通系统中实时交通控制诱导的需求。随着交通预测领域研究的深入,各种方法大体可分为两类:一类是以数理统计等传统数学为基础的预测方法;另一类是不追求严格的数学推导,更重视对真实交通现象拟合效果的预测模型。第一类包括时间序列模型,卡尔曼滤波模型,参数回归模型等;第二类则包括非参数回归模型,基于小波理论的方法,神经网络模型等。西南交通大学计算机与通信工程学院的李存军、杨儒贵、张家树于2003年在计算机应用刊物上发表了论文《基于小波分析的交通流量预测方法》。论文中为了更准确地预测动态变化的交通流量,提出了在小波分析的基础上利用离散卡尔曼滤波进行预测的方法,这种方法可用于动态数据预测的不同领域,如网络流量的预测,经济信息的预测以及其它非线性系统的预测。实验表明,这种方法可以有效地减小数据预测的误差。西南科技大学信息工程学院的申慧、刘知贵、李春菊于2008年在西南科技大学学报上发表了论文《基于BP神经网络的交通流量预测设计》。论文中以交通流量控制为目标,在交通流量特性的研究基础上,建立 ...
【技术保护点】
一种基于SVM算法对短时交通路况预测的方法,其特征在于,所述方法通过SVM的非线性回归进行预测路况值,根据邻近时段的路况值去训练SVM模型,进而预测下个时段的路况值,并根据路况值转化为拥堵等级完成短时各道路交通拥堵状况的预测。
【技术特征摘要】
1.一种基于SVM算法对短时交通路况预测的方法,其特征在于,所述方法通过SVM的非线性回归进行预测路况值,根据邻近时段的路况值去训练SVM模型,进而预测下个时段的路况值,并根据路况值转化为拥堵等级完成短时各道路交通拥堵状况的预测。2.根据权利要求1所述的方法,其特征在于,所述方法包括:S1:选择核函数,确定SVM参数,在得到邻近时段的路况值的数据集后,选择高斯核函数作为核函数,所述SVM参数包含宽度参数δ、二次规划的优化参数ε和C;S2:输入邻近时段的路况值数据集作为样本,生成预测函数;S3:根据预测结果进行评价分析后输出结果;S4:根据输出结果所代表的的路况信息,进行短时交通路况预测。3.根据权利要求2所述的方法,其特征在于,所述S1中选择核函数,确定SVM参数的具体方法如下:1)假定训练数据集记为T={(xi,yi)}li=1,首先用非线性映射ψ(x)=[ψ1(x),ψ2(x),…,ψN(x)]T把输入数据从原空间映射到N维特征空间,在特征空间中构造逼近函数,其中N为整数;2)在高维空间的线性回归对应着低维空间的非线性回归,定义ε为不敏感损失函数Lε(x,y,f)=|y-f(x)|ε=max(0,|y-f(x)|-ε);3)最小化目标函数其中,xi∈Rn是第i个输入,yi∈R是对应的期望输出;ω=[ω...
【专利技术属性】
技术研发人员:吴建龙,史柯,
申请(专利权)人:东方网力科技股份有限公司,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。