一种基于改进SVM算法的交通状态预测方法技术

本发明专利技术提出了一种基于改进SVM算法的交通状态预测方法，具体步骤为：对历史交通数据样本集进行预处理，将预处理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；用改进的SVM模型在训练数据集上进行模型训练，并不断优化改进的SVM模型，生成最优的改进的SVM预测模型；输入测试数据集至最优的改进的SVM预测模型，从而获得预测结果。本发明专利技术利用改进的SVM算法可以有效地缓和数据中异常值的影响，增强模型的鲁棒性，并提高其泛化能力，提高了预测精度。 1

A traffic state prediction method based on improved SVM algorithm

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,2013,30(3):250-254；(5)ZhangM,ZhenY,HuiG,etal.AccurateMultistepsTrafficFlowPredictionBasedonSVM[J].MathematicalProblemsinEngineering,2013,2013(6):91-109；(6)WangX,AnK,TangL,etal.ShortTermPredictionofFreewayExitingVolumeBasedonSVMandKNN[J].InternationalJournalofTransportationScience&Technology,2015,4(3):337-352等等。然而，交通数据的准确性和有效性在很大程度上决定了预测模型的性能。从现场采集的交通数据，因受测量工具和测量环境的影响，采集的交通数据中不可避免的包含异常值，有时甚至含有严重的误差。目前对采集的交通数据仅做如下处理：数据清洗(丢失数据补齐，错误数据判别，冗余数据约简)、数据标准化(总和标准化，标准差标准化，极小极大值标准化，极差标准化)等，易发生弃真或取伪的错误，这直接对生成的预测模型造成影响。
技术实现思路
本专利技术提出了一种基于改进SVM算法的交通状态预测方法，可改善现有SVM对异常值敏感问题。实现本专利技术的技术解决方案为：一种基于改进SVM算法的交通状态预测方法，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。本专利技术与现有技术相比，其显著优点为：(1)利用改进的SVM算法可以有效地缓和数据中异常值的影响，增强模型的鲁棒性，并提高其泛化能力。(2)改进的SVM算法可以提高交通状态的预测精度，为城市道路交通的有序、高效通行提供强有力的保障。下面结合附图对本专利技术做进一步详细的描述。附图说明图1为本专利技术一种基于改进SVM算法的交通状态预测方法的流程图。具体实施方式结合图1所示，一种基于改进SVM算法的交通状态预测方法，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；其中，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。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划设计规范，以不高于15分钟为统计间隔，计算道路中各路段的平均速度，并将道路交通状态划分为五级，包括畅通、基本畅通、轻度拥堵、中度拥堵、严重拥堵，交通状态等级划分依据为：步骤2、将归一化后的样本数据分割成5个不相交的子样本，从5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，其中，构建的改进的SVM模型具体为：s.t.-(Bmwm+e2mbm)+qm＝e2m其中，||·||1表示L1范数距离，c1m和c2m是惩罚系数，e1m和e2m是相应维度的单位列向量，qm是松弛变量，矩阵Am表示第m类样本，矩阵Bm表示其余的m-1类样本，wm表示第m类样本的权向量，bm表示第m类样本的偏差；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，具体步骤为：步骤4.1、设置迭代次数p＝0，初始化增广向量根据计算对角矩阵及其中，步骤4.2、根据对角矩阵及和最优参数c1m及c2m计算增广向量具体计算公式为：其中，Hm＝[Ame1m]，Gm＝[Bme2m]，I表示单位矩阵；步骤4.3、根据增广向量更新对角矩阵和具体为：步骤4.4、计算改进的SVM模型的目标函数值若且p≤30，更新目标函数值并更新迭代次数p＝p+1，返回步骤4.2，否则将当前的作为改进的SVM模型最优的增广向量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5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4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本文档来自技高网...

【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