基于多核混合支持向量机的城市短时交通预测

论文摘要

目前,世界各国均面临日益严重的城市交通问题。交通拥堵、交通事故、交通污染给城市居民生活带来极大困扰,也给社会经济发展带来巨大损失,已经成为全人类亟待解决的重大问题。智能交通系统(ITS)被公认为是解决城市交通问题的必由之路。动态交通信息平台是ITS中各个模块的枢纽,而实时交通信息是动态交通信息平台的数据基础和血液。交通信息采集技术和互联网、无线网络技术的发展和成熟使实时交通信息的获取和发布成为可能,为实时交通状况的分析奠定了重要的物质基础。如何从大量的动态的城市实时交通流数据中快速准确地发现和预测未来的交通状况信息,并以直观的便于理解的形式发布,辅助动态导航、实时路径诱导和信号灯自动配时,服务于城市交通规划管理部门和广大交通出行者、参与者,对缓解交通压力、改善行车安全、提高运行效率和减少空气污染,有重大的意义。本文立足于动态交通信息平台,从城市交通流的特征出发,建立了基于浮动车数据(Floating Car Data, FCD)的智能分析框架。本文的主要创新如下：1实现了一种城市交通流参数的可视化方法,设计了一种基于正态分布假设的分位点的交通异常检测探索性分析方法。标准偏差检测法是目前认为较好的交通异常检测方法。本文针对由于样本中心平均值和方差自身易受数据污染,标准偏差检测法不能很好地反映样本中心和极端异常值的差异的问题,对其进行改进,提出了一种基于分位点的交通异常检测算法。2提出了一种基于多核混合支持向量机的城市短时交通预测模型。城市道路交通的不确定性、非线性和时空相关性使得交通系统参数描述和知识获取极为困难,从而使短时交通预测难以获得满意结果。本文利用多核混合支持向量机识别和处理不同类别输入数据的能力,提出了一种基于多核混合支持向量机的城市短时交通预测方法。该方法在统计分析交通状态数据样本的基础上,继承了支持向量机良好的泛化能力、全局最优和较强自适应性的特点,并采用改进的粒子群算法对支持向量机的参数进行了优化选择。同时,针对道路实时交通状态与历史平均交通状态较强的线性相关性、道路实时交通状态与前几时段交通状态及上下游路段实时交通状态的非线性相关性,分别设计了线性核函数和非线性核函数对城市交通状态进行映射和拟合。该方法既考虑到交通状态历史规律对预测的指导意义,又顾及交通的时变特征,充分提取了交通系统相关参数的知识信息。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 背景及意义
• 1.2 短时交通预测现状及存在的问题
• 1.3 研究内容
• 1.4 论文结构组织
• 第二章 基于浮动车系统的交通信息采集技术
• 2.1 动态交通信息平台
• 2.2 浮动车数据采集与处理
• 2.2.1 浮动车技术
• 2.2.2 浮动车数据处理流程
• 2.3 本章小结
• 第三章 车行速度数据探索性分析
• 3.1 探索性数据分析
• 3.2 实验数据
• 3.3 基于浮动车车行速度模式分析
• 3.3.1 交通模式探索性分析
• 3.3.2 车行速度时序特征分析
• 3.4 基于分位点的交通异常检测
• 3.4.1 交通异常检测现状
• 3.4.2 K-S正态性检验
• 3.4.3 基于分位点的交通异常检测
• 3.4.4 实例分析
• 3.5 本章小结
• 第四章 基于多核混合支持向量机的城市短时交通预测模型
• 4.1 统计学习理论
• 4.1.1 经验风险最小化准则
• 4.1.2 VC维
• 4.1.3 结构风险最小化准则
• 4.2 支持向量机
• 4.3 核
• 4.4 多核混合支持向量机（MSVM）
• 4.5 基于粒子群算法的SVM参数优化
• 4.6 城市道路短时交通预测过程
• 4.7 本章小结
• 第五章 MSVM-PSO短时交通预测实验与分析
• 5.1 实验数据
• 5.2 参数设置和优化
• 5.3 结果和分析
• 5.4 本章小结
• 第六章 总结和展望
• 6.1 全文总结
• 6.2 进一步研究工作
• 参考文献
• 致谢
• 攻读学位期间主要的研究成果