基于SVM的机动车流量数据分析与预测模型

论文摘要

支持向量机是一种新的机器学习算法,以统计学习理论作为其理论基础,它的训练等价于解决一个二次规划问题,采用结构风险最小化原则,具有预测能力强、全局最优及收敛速度快等显著特点。因此,本文从研究混沌时间序列的预测入手,研究了一种基于支持向量机回归理论的预测方法,并将其应用于混沌时间序列预测中。为了验证该算法的性能,我们做了两项工作,一个是利用相空间的重构理论对混沌时间序列进行了单步与多步的预测,并同文献中的神经网络的预测结果进行了比较分析:另一个是在混沌时间序列中加入不同水平的噪声,并同BP网络及RBF网络的预测结果进行了比较分析。仿真结果表明,用支持向量回归算法进行混沌时间序列的预测能够取得比其他方法更好的效果,具有很好的稳健性及泛化能力。在研究混沌时间序列预测的基础上,本文结合高速公路车流量的特点,对高速公路车流量预测问题进行研究,建立了基于支持向量机的高速公路车流量短期预测的模型,应用实际的负荷数据进行仿真试验,实际试验表明,该方法在预测的效果明显的优于人工神经网络方法。

论文目录

• 摘要
• ABSTRACT
• 第1章 引言
• 1.1 研究背景
• 1.2 当前国内外研究现状
• 1.3 研究的意义及其必要性
• 1.4 本文主要研究方向及内容
• 第2章 支持向量机的学习理论
• 2.1 机器学习
• 2.1.1 机器学习问题的表示
• 2.1.2 经验风险最小化
• 2.1.3 复杂性与推广能力
• 2.2 统计学习理论
• 2.2.1 函数集的VC维
• 2.2.2 利用验证来界定VC维
• 2.2.3 推广能力的界
• 2.2.4 模型估计
• 2.2.5 模型选择
• 2.3 支持向量机工作原理
• 2.3.1 支持向量机多分类问题、核函数和损失函数介绍
• 2.3.2 支持向量机回归（SVR）
• 2.4 SVM与神经网络的比较
• 2.5 本章小结
• 第3章 混沌时间序列的预测
• 3.1 混沌时间序列分析
• 3.1.1 混沌的基本概念
• 3.1.2 非线性时间序列的相空间嵌入
• 3.2 基于SVM的混沌时间序列的多步预测
• 3.2.1 模型和数据的产生
• 3.2.2 最小嵌入维数的确定
• 3.2.3 评价指标
• 3.2.4 试验结果
• 3.3 基于SVM的混沌时间序列的去噪预测
• 3.3.1 模型与数据的产生
• 3.3.2 预测模型的参数及结构
• 3.3.3 仿真实验结果
• 3.4 计算机仿真
• 3.4.1 仿真的意义及目的
• 3.4.2 计算机仿真的步骤和仿真技术
• 3.5 本章小结
• 第4章 基于SVM的车流量预测方法
• 4.1 常用预测方法
• 4.1.1 时间序列法
• 4.1.2 回归分析法
• 4.1.3 多层递阶回归分析法
• 4.1.4 神经网络方法
• 4.2 车流量预测分析
• 4.2.1 车流量预测基本原理
• 4.2.2 车流量预测的基本过程
• 4.2.3 车流量预测的误差分析
• 4.3 基于支持向量机的车流量预测
• 4.3.1 支持向量机网络模型
• 4.3.2 RBF核函数的工作原理
• 4.3.3 基于SVM的车流量预测模型
• 4.4 车流量预测试验
• 4.4.1 影响因子及训练数据集的构建
• 4.4.2 SVM算法的参数分析
• 4.4.3 评价指标
• 4.4.4 试验结果分析
• 4.5 本章小结
• 结论
• 参考文献
• 致谢