This invention proposes a traffic state prediction method based on improved SVM algorithm. The concrete steps are as follows: preprocessing the sample set of historical traffic data, dividing the pre processed sample data into k disjoint subsamples, selecting a sub sample from the K disjoint subsamples as the test data set, and the other K 1 The subsample is used as the training data set; the improved SVM model is used to train the model on the training data set, and the improved SVM model is continuously optimized to generate the optimal improved SVM prediction model; the input test data sets to the optimal improved SVM prediction model, thus the prediction results are obtained. The improved SVM algorithm can effectively mitigate the influence of abnormal values in the data, enhance the robustness of the model, improve its generalization ability, and improve the prediction accuracy. One
【技术实现步骤摘要】
一种基于改进SVM算法的交通状态预测方法
本专利技术涉及智能交通系统—城市交通状态预测领域,具体而言涉及一种基于改进SVM算法的交通状态预测方法。
技术介绍
随着社会的快速发展,有限的道路资源与急剧增长的机动车数量之间的供需矛盾变得越来越尖锐,导致交通供求之间难以平衡,这直接造成各城市中的交通拥堵问题日益严峻。道路交通控制与诱导系统是应对城市交通问题的重要方法,短时交通状态预测是实现上述方法的关键问题之一。因此,近几十年来,该领域的研究者已提出多种类型的短时交通流量预测方法,包括:基于小波包和最小二乘SVM的短时交通流组合预测方法、基于多核混合SVM的城市短时交通预测方法、基于SVMR的区域路网多断面交通流的短时预测方法等。基于改进SVM的方法是近些年来常用的城市道路短时交通状态预测方法之一。大量的实验结果表明,基于改进SVM的方法具有速度快、准确率高、泛化能力强。如:(1)杨兆升,王媛,管青.基于支持向量机方法的短时交通流量预测方法[J].吉林大学学报(工),2006,36(6):881-884;(2)张通,张骏,杨霄.基于混合AGO-SVM的高速公路短时交通量预测研究[J].交通运输系统工程与信息,2011,11(1):157-162;(3)QianChen,WenquanLi,JinhuanZhao.TheUseofLS-SVMforShort-termPassengerFlowPrediction[J].Transport,2011,26(1):5-10;(4)徐鹏,姜凤茹.基于蚁群优化支持向量机的短时交通流量预测[J].计算机应用与软件,2013 ...
【技术保护点】
1.一种基于改进SVM算法的交通状态预测方法,其特征在于,具体步骤为:
【技术特征摘要】
1.一种基于改进SVM算法的交通状态预测方法,其特征在于,具体步骤为:步骤1、对历史交通数据样本集进行预处理,具体为对交通数据样本集进行归一化处理,并根据道路中各路段的平均速度,对道路交通状态划分等级,每个等级的样本为一类样本,共m类样本;步骤2、将归一化后的样本数据分割成k个不相交的子样本,从k个不相交的子样本中选取一个子样本作为测试数据集,其它k-1个子样本作为训练数据集;步骤3、构建改进的SVM模型,用改进的SVM模型在训练数据集上进行模型训练,在训练过程中通过交叉验证的方法获得最优参数c1m和c2m;步骤4、更新改进的SVM模型的增广向量确定最优增广向量zm,生成最优的改进的SVM预测模型;步骤5、输入测试数据集至最优的改进的SVM预测模型,获得一组交通状态预测精度;步骤6、依次从k个不相交的子样本中选取一个子样本作为测试数据集,其它k-1个作为训练数据集,重复步骤3、4,直至所有子样本都作为测试数据集和训练数据集被训练为止,总共得到k组交通状态预测精度,对k组交通状态预测精度求平均值,该平均值为最终的交通状态预测结果。2.根据权利要求1所述的基于改进SVM算法的交通状态预测方法,其特征在于,步骤1中对交通数据样本进行归一化处理的具体公式为:di=(xi-min(X))/(max(X)-min(X))式中,X=(x1,x2,...,xn)∈Rn,表示交通数据样本集,xi(i=1,2,...,n)表示交通数据样本集中的第i个数据样本,min(X)表示交通数据样本集中最小的数据样本,max(X)表示交通数据样本集中最大的数据样本,di表示归一化后的数据样本。3.根据权利要求1所述的基于改进SVM算法的交通状态预测方法,其特征在于,步骤1中对道路交通状态划分等级的具体方法为:按照城市道路交通规...
【专利技术属性】
技术研发人员:於东军,闫贺,戚湧,
申请(专利权)人:南京理工大学,
类型:发明
国别省市:江苏,32
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。