基于SVM的交通流短时预测方法研究.pdf

《基于SVM的交通流短时预测方法研究.pdf》由会员分享，可在线阅读，更多相关《基于SVM的交通流短时预测方法研究.pdf（73页珍藏版）》请在三一文库上搜索。

1、西南交通大学硕士研究生学位论文第1 页 摘要 2 0 世纪以来，交通运输业是拉动国民经济快速发展的重要产业，其发展状况直接 影响国民经济的健康运行。几十年来，各国交通事业者提出许多不同方法，尝试为不 同城市建立适应自身实际状况的智能交通系统( I T S ) ，试图运用交通信息系统、动态路 径诱导系统等方法来解决城市交通存在的问题，而对交通流的准确预测是I T S 实施动 态路径诱导、交通分配、事故检测等的前提，因此具有非常重要的意义。 本文在分析了交通流存在的特性后，根据混沌理论，研究了运用最大L y a p u n o v 指数对交通流的可预测性进行判别，进而对交通流时间序列进行相空间重构

2、，以显现 交通流的内在规律，为后文对交通流的短时预测构建数据关系。最后从P e M S 系统中 选择不同的交通流实测数据进行实验仿真，证明了选择的交通流的确是可预测的。 本文在研究支持向量机( S V M ) 原理以及其用于解决回归问题的S V R 原理基础 上，分析了基于S V R 的模型用于交通流短时预测的可行性，以及不同核函数( 径向基 核、改进核) 和核参数对S V R 模型的预测性能的影响后，构造了基于相空间重构和S V R 的交通流短时预测模型，并选择网格法( G S ) 、粒子群算法( P S O ) 以及综合改进粒子群算 法( I P S O ) 对S V R 模型的相关参数进

3、行寻优，构建G S S V R 、P S O S V R 和I P S O S V R 预 测模型，同时构建基于B P 网络的预测模型用于对比研究。最后从P e M S 系统中选择 工作日和节假日交通流实测数据分别对G S S V R 、P S O S V R 、I P S O S V R 和B P 模型进 行实验仿真，并对预测交通流的相关预测性能指标进行对比研究表明：基于B P 网络 的交通流预测模型综合性能差于基于S V R 的交通流预测模型；在相同核函数下，基于 I P S O 的S V R 模型相对基于P S O 的S V R 模型和基于G S 的S V R 模型能获得更好的预 测性能

4、；在相同参数寻优算法下，基于改进核函数的S V R 模型具有更好的预测性能。 通过粒子群参数寻优的S V R 模型耗时较长，实时性不好。本文在研究了集成学习 原理用于基于S V R 的交通流短时预测的基础上，着重分析了将B a g g i n g 算法和 B o o s t i n g 算法与S V R 融合的交通流预测模型。对融合后的模型分别从P e M S 系统中选 择节假日和工作日交通流实测数据进行仿真试验，并将其与单一S V R 模型进行对比。 通过实验仿真，相对于单一S V R 模型，集成S V R 模型也能得到比较优秀的预测结果， 同时其具有很好的实时性。 关键字：交通流短时预测；

5、相空间重构；支持向量机；改进核函数；粒子群算法； 集成学习 西南交通大学硕士研究生学位论文第1 I 页 A b s t r a c t S i n c et h e2 0 t hc e n t u r y , t h et r a n s p o r t a t i o ni sa ni m p o r t a n ti n d u s t r yo fd r i v i n gt h e d e v e l o p m e n to ft h ee c o n o m yw h i c hh a sad i r e c ti m p a c to nt h eh e a l t h yo p

6、 e r a t i o no ft h e n a t i o n a le c o n o m y F o rd e c a d e s ，t h et r a n s p o r te x p o r t sh a v ea d v a n c e dm a n yd i f f e r e n tw a y s a d a p t i n gt ot h e i ro w na c t u a ls i t u a t i o no fI T Sf o rd i f f e r e n tc i t i e st oa t t e m p tt ou s et h et r a f f

7、 i c i n f o r m a t i o ns y s t e m ，d y n a m i cr o u t eg u i d a n c es y s t e ma n do t h e rm e t h o d st od e a lw i t ht h e p r o b l e m so fu r b a nt r a n s p o r t A tt h es a m et i m e ，a c c u r a t et r a f f i cf l o wp r e d i c t i n gi s t h e p r e m i s eo fI T Si m p l e

8、 m e n t a t i o no fd y n a m i cr o u t eg u i d a n c e ，t a f f i ca s s i g n m e n t ，i n c i d e n t d e t e c t i o n S oi th a sa ni m p o r t a n ts i g n i f i c a n c e A f t e ra n a l y z i n gt h ec h a r a c t e r i s t i c so ft h et r a f f i cf l o w , a c c o r d i n gt oc h a o

9、st h e o r y , s t u d y i n gt h eu s eo fl a r g e s tL y a p u n o ve x p o n e n tt od i s t i n g u i s ht h ep r e d i c t a b i l i t yo ft r a f f i c f l o w T h e nt h ea u t h o ru s e st h et r a f f i cf l o wt i m es e r i e sp h a s es p a c er e c o n s t r u c t i o nt os h o w t h

10、ei n h e r e n tl a w so ft r a f f i cf l o wf o rt h el a t e rb u i l dd a t ar e l a t i o n s h i p s F i n a l l yt h ea u t h o r c h o o s e sad i f f e r e n tt r a f f i cf l o wd a t af r o mt h eP e M Ss y s t e mt od e a lw i t he x p e r i m e n t a l s i m u l a t i o n ，w h i c hp r

11、o v e st h a tt h ec h o i c eo ft r a f f i cf l o wd a t ai si n d e e dp r e d i c t a b l e I nt h i st h e s i s ，o nt h eb a s eo ft h ep r i n c i p l eo fs u p p o r tv e c t o rm a c h i n ea n ds o l v i n gt h e r e g r e s s i o n SVR ，a f t e ra n a l y z i n gt h ea d a p t a b i l i t

12、 yo ft h eS V Rm o d e lf o rt r a f f i c f l o w f o r e c a s t i n g ，d i f f e r e n tk e r n e lf u n c t i o n s ( r a d i a lk e r n e l ，m i x e dk e r n e l ) a n dk e r n e lp a r a m e t e r s o nt h ep e r f o r m a n c eo fS V R ，t h ea u t h o rc o n s t r u c t sat r a f f i cf l o w

13、f o r e c a s t i n gm o d e lb a s e do n t h ep h a s es p a c er e c o n s t r u c t i o na n dS V R F i r s t l yt h ea u t h o ru s e st h eg r i dm e t h o d ( G S ) ， p a r t i c l e s w a r mo p t i m i z a t i o n ( P S O ) a sw e l la s i m p r o v e dp a r t i c l e s w a r mo p t i m i z

14、 a t i o n ( I P S O ) f o ro p t i m a ls e l e c t i o no fm o d e lp a r a m e t e r s ；s e c o n d l yt h ea u t h o rc o n s t r u c t sG S - S V R ， P S O - S V R ，I P S O S V Rp r e d i c t i o nm o d e l ；t h i r d l yt h ea u t h o rc o n s t r u c t sp r e e d i c t i o nm o d e l b a s e

15、do nB Pn e t u r en e t w o r k F i n a l l y , t h ea u t h o rs e l e c t st h ew o r k i n gd a y sa n dh o l i d a y e s t r a f f i cf l o wm e a s u r e dd a t af o r mt h eP e M St od ow i t ht h ee x p e r i m e n t a ls i m u l a t i o nf o r G S - S V R ，P S O - S V R ，I P S O S V Ra n dB

16、Pm o d e l s ，t h e nc o m p a r ea n da n a l y s i st h er e s u l t e so f t h ef o r e c a s t i n gm o d e lp e r f o r m a n c e T h er e s u l t e ss h o wt h a t ：t h em o d e lb a s e do nB Pn e t w o r k i Sw e a k e rt h a nt h eo n eb a e s do nS V R ；i nt h es a m ek e r n e lf u n c t

17、i o n ，t h eS V Rm o d e lb a s e do n t h eI P S Or e l a t i v i n gt h eS V Rm o d e lb a e s do nP S Oa n dG Sh a st h eb e t t e rp r e d i c t i o n p e r f o r m a n c e ；i nt h es a m ep a r a m e t e ro p t i m i z a t i o na l g o r i t h mt h eS V R m o d e lb a s e do nt h e m i x e dk e

18、 r n e lf u n c t i o nh a st h eb e t t e rp r e d i c t i o np e r f o r m a n c e H o w e v e rt h eS V Rm o d e lb a e s do nt h eI P S Ot a k e sal o n gt i m e ，t h er e a l t i m ei sn o t g o o d I nt h i st h e s i s ，o nt h eb a s eo fa n a l y s i s i n gt h ei n t e g r a t e dl e a r n

19、i n gp r i n c i p l e sa n dt h e 西南交通大学硕士研究生学位论文第1 I I 页 S V Rm o d l e t h ea u t h o rf o c u s e so nt h et r a f f i cf l o wf o r e c a s t i n gm o d e lt h a ti n t e g r a t e s B a g g i n ga l g o r i t h ma n dB o o s t i n ga l g o r i t h ma n dS V Rm o d e l F o rt h ef u s i o nm o

20、d e lIs e l e c t h o l i d a y sa n dw o r k i n gd a y st r a f f i cf l o wm e a s u r e dd a t af o re x p e r i m e n t a ls i m u l a t i o na n d c o m p a r ew i t ht h es i n g l eS V R B ye x p e r i m e n t a ls i m u l a t i o n ，a so p p o s e dt oas i n g l eS V R m o d e l ，t h ei n t

21、 e g r a t i o no fS V Rc a na l s og e tar e l a t i v e l yg o o dp r e d i c t i o nr e s u l t ，w h i l ei t s r e a l - t i m ei sg o o d K e yW o r d s ：S h o r t - t e r mT r a f f i cf l o wf o r e c a s t i n g ；P h a s eS p a c eR e c o n s t r u c t i o n ；S u p p o r t V e c t o rM a c h

22、 i n e ；M i x e dK e r n e lF u n c t i o n ；P a r t i c l eS w a r mO p t i m i z a t i o n ； E n s e m b l el e a r n i n g 西南交通大学硕士研究生学位论文第1 V 页 目录 摘要I A b s t r a c t I I 第1 章绪论l 1 1 交通流短时预测简述1 1 2 交通流短时预测研究目的和意义1 1 3 交通流短时预测研究现状2 1 4 论文主要内容及章节简介4 第2 章基于动力学特性的交通流可预测性分析6 2 1 交通流特性6 2 2 交通流可预测性分析6

23、 2 2 1 交通流动力学特性分析7 2 2 2 交通流可预测性分析流程7 2 3 交通流时间序列相空间重构8 2 3 1 混沌理论8 2 3 2 相空间重构理论8 2 3 3 相空间重构参数的选取方法1 0 2 4 交通流特征量L y a p u n o v 指数ll 2 4 1L y a p u n o v 指数定义11 2 4 2 小数据量法求L y a p u n o v 指数1 2 2 5 交通流数据来源与仿真1 3 2 5 1 节假日交通流数据1 3 2 5 2 工作日交通流数据1 4 2 5 3 交通流数据仿真14 2 6 本章小结16 第3 章支持向量机原理分析及预测模型参数选

24、取设计1 7 3 1 支持向量回归原理介绍1 7 3 1 1 统计学习理论1 7 3 1 2 支持向量机理论17 3 1 3 支持向量回归理论1 9 3 2 交通流预测模型比较及适应性分析2 0 3 2 1 常用交通流短时预测方法面临的问题2 0 3 2 2S V R 模型与神经网络模型的对比分析2 0 3 2 3S V R 用于交通流预短时测的适应性分析2 1 3 3S V R 交通流短时预测模型参数选取分析2 2 3 3 1 核函数2 2 3 3 2 核参数作用分析2 2 3 3 3 网格法选取S V R 模型参数2 3 3 3 4P S O 算法选取S V R 模型参数2 4 3 3 5

25、P S O 参数选取算法的综合改进2 5 西南交通大学硕士研究生学位论文第V 页 3 3 6 实验仿真2 8 3 4 本章小结3 3 第4 章基于S V R 的交通流短时预测建模及仿真3 4 4 1S V R 交通流预测建模3 4 4 1 1 基于相空间重构的S V R 交通流预测模型3 4 4 1 2 交通流预测建模流程3 5 4 2 交通流预测性能评价指标及数据预处理3 6 4 2 1 交通流预测性能评价指标3 6 4 2 2 交通流数据预处理3 7 4 3 基于S V R 的交通流预测实验仿真3 8 4 3 1 实验仿真环境及数据说明3 8 4 3 2 实验仿真及结果分析3 8 4 4

26、基于改进核函数的S V R 的交通流短时预测实验仿真4 2 4 4 1 改进核函数构建4 2 4 4 2 实验仿真及结果分析4 5 4 5 基于B P 神经网络的交通流短时预测研究一4 7 4 5 1 基于B P 神经网络的预测模型4 7 4 5 2 实验仿真及结果分析4 8 4 6 本章小结5 0 第5 章基于S V R 集成的交通流短时预测研究5 1 5 1 集成学习应用于S V R 交通流短时预测的分析5 1 5 1 1 模型子回归器的产生5 1 5 1 2 模型子回归器的整合5 2 5 2 基于B a g g i n g 方法的S V R 集成交通流短时预测仿真5 2 5 2 1 基于

27、B a g g i n g 方法的交通流预测模型研究5 2 5 2 2 模型实验仿真5 4 5 3 基于B o o s t i n g 方法的S V R 集成交通流预测仿真5 6 5 3 1 基于B o o s t i n g 方法的交通流预测模型研究5 6 。5 3 2 模型实验仿真。5 8 5 4S V R 集成模型与S V R 单一模型性能比较5 9 5 5 本章小结6 0 总结与展望6 1 至殳诩j 6 3 参考文献6 4 攻读硕士期间发表的学术论文6 8 西南交通大学硕士研究生学位论文第1 页 1 1 交通流短时预测简述 第1 章绪论 交通流预测是指在某一区域根据当前采集交通流数据按

28、照一定的预测模型对将来交 通流做出实时估计；如今在交通信息预测研究领域中通常规定短时预测的预测时间间隔 小于1 5 分钟【l 】。依照预测对象可将交通流预测划分为车流量、平均速度的预测以及车辆 占有率预测等。本文将短时交通流当作主要的研究对象，其有别于预测时间跨度( 大于 l h o u r ，甚至数天) 较长的宏观交通流。在当今交通流预测研究领域中，大多数模型都是 按照单点单步方式对交通流进行预测1 2 J 。 1 2 交通流短时预测研究目的和意义 2 0 世纪以来，交通运输业是促进国民经济快速发展的重要行业，其发展状况直接影 响国民经济的健康运行。随着经济和交通事业的大力发展，交通堵塞、交

29、通事故和环境 污染等问题日趋恶化，受到了各国政府的高度关注。几十年来，各国交通事业者提出许 多不同方法，尝试为不同城市建立适应自身实际情况的智能交通系统( I T S ) ，试图运用交 通信息管理系统、动态路径诱导系统等方法来解决以上问题。交通路径动态诱导是智能 交通系统的重要研究内容，一方面为车辆实时提供城市道路的交通状况，减少不必要的 交通堵塞以及车辆在道路上的运行时间：另一方面为市民提供便捷的交通出行信息p J 。 实现智能交通系统必须依靠实时准确的交通流信息的有力支持，而交通流预测是其中的 重要一环。 交通流预测是指选用某一地点历史的、现有的交通流数据以及其他相关因素的统计 资料，建立

30、合适的数学模型，并使用智能化的计算方法，对该地点未来的交通状况进行 合理的预N t 3 J ，根据预测资料可以为城市交通规划和车辆动态诱导提供实时的依据。道 路交通流预测在改善道路运行状况、保障车辆行驶安全、减少环境污染等方面有重大的 社会意义，其重要性体现在1 3 ： ( 1 ) 、它是掌握某地交通运输业发展状况，为交通运输业发展的相关战略和政策的制 定提供重要参考依据。 ( 2 ) 、它是进行城市交通合理规划的重要研究内容。 ( 3 ) 、它是全面了解未来交通流变化趋势，提升城市交通管理和控制水平的重要技术 保证。 ( 4 ) 、它是支持道路交通事件检测，提升道路交通事件预报能力、降低事件

31、不良影响 的重要技术保证。 西南交通大学硕士研究生学位论文第2 页 ( 5 ) 、它是支撑城市道路交通控制系统、动态路径诱导系统等I T S 子系统的重要技术。 1 3 交通流短时预测研究现状 2 0 世纪以来，学界一直很关注交通流短时预测这一研究领域，国外研究者已经做了 许多的相关工作，同时取得了令人可喜的成果和经验。尽管我国在交通流预测研究领域 起步晚于欧美国家，但由于有大量的技术积累和实践经验可借鉴吸收，因而发展很快。 先前，交通流预测基本用于交通控制。一代城市交通控制系统( U T C S ) 通过某一监测 区域的历史交通流数据来实现交通流量的离线预测：二代U T C S 使用交通流量

32、实测数据 对历史平均交通流量数据进行校正来实现对交通流量的合理预测；三代U T C S 直接利用 交通流量实测数据进行实时预测f 4 】。到目前为止，研究者已把许多其他领域的成熟可靠 的模型成功应用于交通流短时预测。交通流短时预测模型必须存在p A T - - 个特点【4 】：( 1 ) 实时性：预测模型必须具有较快的运算速度，在指定的最短周期内完成所有复杂计算工 作；( 2 ) 准确性：模型预测数据时常提供给车辆用于动态路径诱导，因而，对模型的预 测精确度要求非常苛刻，要不然，精确度差的预测会使诱导系统产生偏差，导致动态路 径诱导不能完成；( 3 ) 可靠性：预测模型容易被其他不可控因素的影

33、响( 如天气、施工、 事故等) ，所以模型必须存在较强的抗干扰能力。 较早的预测模型有：滑动平均模型、自回归模型、指数平滑模型等【5 J 。随着研究的 深入，许多实时性好、预测精度高的模型被使用于交通流预测。综合来看，可以分为以 下几类：统计理论模型、非线性理论模型、智能理论模型、微观交通仿真模型和混合模 型孓7 ，其模型分类如图1 1 所示。 ( 1 ) 基于统计学理论的模型 这类模型主要是应用数学统计原理建模进行预测，其实现必须以历史数据、现在数 据和将来数据有共同性为前提，在此基础上通过严谨的数学推导建立起交通流数据的预 测模型，最后在进行预测。这些模型在进行交通流预测时考虑的因素较为单

34、一，并且几 乎都将交通流当作线性系统来处理，因为其求解方便在大规模预测应用中有一定的优势。 但是交通流是一个实时的、非线性的、多因素共同作用的系统，因此这些模型无法更多 的反映出交通流的真实特性，同时需要大规模的数据样本参与预测，因而不容易取得较 好的预测效果。 ( 2 ) 基于非线性理论的模型 非线性预测主要是基于好散结构理论、混沌理论等非线性系统理论，利用分型概念、 混沌吸引概念、相空间重构概念等建立预测模型。当预测间隔时间非常短时，交通流存 在更多的不确定性和非线性，但是采用非线性预测能取得更好的预测效果。2 0 世纪七十 年代，B B M a n d e l b r o t 提出分型理

35、论，显现了非线性系统中确定性与随机性、有序与无 序的关系，由于交通流存在大量的相似性，因此运用分型理论进行预测能取得较好的效 西南交通大学硕士研究生学位论文第3 页 图1 1 模型分类示意刚孓 果1 8 】；刘继生介绍了分型理论运用于交通网格空间结构和其计算方法，而且还验证了相 关地点交通网络分型特性例。2 0 世纪八十年代，F r a m e 和D i s b r o 将混沌理论应用到交通 流预测p J ；宗春光等提出了基于重构相空间的预测模型，对指定区域的交通流进行估计， 获得了理想的预测效果I l 引。 ( 3 ) 智能理论 这种预测模型无需在输入和输出之间建立严格的数学关系，首先通过对

36、输入数据的 训练来获取有意义的“知识”，然后通过获取的“知识”来预测，现在使用较广的有神经 网络和支持向量机( S V M ) 。神经网络具有学习能力优异、鲁棒性好等优点，能够满足短 时交通流预测的要求【1 1J 。L G I S 中心在1 9 9 8 年验证了神经网络模型比A R I M A 模型、 K a l m a n 模型更优秀【l2 J ；S m i t h 等利用神经网络模型来对交通流进行短时预测，取得了非 常好的预测效果【l3 1 。但是其本身也存在不足，比如易陷入局部极值、过分依赖经验等； 同时在训练中对样本数量的要求较苛刻。针对这些缺陷，V a p n i k I H 】提出

37、了基于统计理论 的S V M 模型，针对样本数目有限、非线性和高维数据空间具备良好的推广能力，S V M 能得到一个二次寻优解，因而很好地处理了其他学习方法易陷入局部极值的缺陷。徐启 华等研究了S V M 在交通流预测中的应用，并且与B P 神经网络进行了比较【1 5 J ；杨兆升 等也在多个视角研究了S V M 模型对微观交通流的预测I l 创。 ( 4 ) 微观仿真模型 交通仿真是交通分析中常见工具之一。通常，将车辆当做研究实体，通过计算机来 仿真实际道路交通运行状况，通过对道路的交通信息进行模拟仿真来获得交通信息的估 计值。C h r o b o 和W a h l 1 7 】研究了一种基

38、于元胞自动机的方法来预测交通流；马云龙等1 1 8 】 运用M 3 对车辆状况进行初始化，基于有限制K a l m a n 滤波来实现O D 矩阵估计，然后 西南交通大学硕士研究生学位论文第4 页 通过微观仿真对交通流进行实时估计；李一龙【l 圳研究了道路容量对交通分配的影响，提 出运用动态规划思想建立道路交通流预测和分配模型，为道路交通流的预测给出了一定 的参考。 ( 5 ) 组合模型 通过对不同模型的对比研究表明，基于经典数学思想的模型和基于现代科学技术的 模型各有优劣。在单一预测模型中，没有任何一个模型在预测时拥有绝对好的性能指标， 同时少部分模型因自身局限性不能进行在线实时预测，还暂时

39、不能达到实际应用的需求。 而组合模型能从不同的视角、不同的预测模型得到系统各不相同的信息，从而修正单一 预测方法准确性低的问题，达到改善预测的精确度和稳定性的目的。2 0 世纪6 0 年代， B a t e s 掣2 0 】人率先提出基于组合思想的预测理论与方法，把多种预测模型进行合理的组 合，以达到提高预测效果的目的。朱胜雪等1 2 l J 研究了交通量数据的小波分解，对基本信 号和干扰信号分别建立S V M 模型，然后将所有预测结果进行有效地整合，从而获取整 合后的预测结果。 在上述提到的众多算法中，基于智能理论的模型具有较强的预测效果和鲁棒性：但 是也存在参数选取不易的困境，需要更加深入

40、的研究。本文主要对S V M 进行研究，重 点对其核函数构建、核参数寻优等方面进行研究，并选用美国加州高速公路系统中的数 据进行实验，并选用B P 模型与其比较，来验证S V M 在交通流预测中的效果。 1 4 论文主要内容及章节简介 本文内容共分五章，具体流程如图1 2 所示。每章内容如下： 第一章简述了交通流短时预测的研究目的以及研究的国内外现状，并概括介绍了文 章研究的主要内容和相关章节安排。 第二章简要介绍了交通流存在的特性以及交通流可预测性研究的相关过程，在分析 交通流的混沌特性的基础上，对交通流时间序列进行相空间重构；然后利用小数据量法 计算交通流时间序列的最大L y a p u

41、n o v 指数。最后选取交通流实测数据进行实验仿真，证 实了交通流时间序列是可预测的。 第三章在统计学原理基础上简述了支持向量机用于回归的原理，并将S V R 与神经网 络进行了对比分析，进而阐述了S V R 模型应用于交通流短时预测的可行性。在研究了 S V R 模型的核函数和相关核参数的作用后，设计了运用粒子群算法对S V R 模型的参数 进行选择的算法，并针对粒子群算法存在的问题，进行了改进，最后将其与基于网格法 的参数寻优算法进行了对比。 第四章在前述章节的基础上，设计了基于相空间重构和S V R 的交通流短时预测模 型；然后分别用网格法、粒子群算法以及改进粒子群算法对S V R 模

42、型核参数进行寻优， 构建了基于网格法的G S S V R 模型和基于粒子群算法的P S O S V R 、I P S O S V R 模型，选 西南交通大学硕士研究生学位论文第5 页 取节假日和工作日交通流实测数据对三种模型进行实验仿真，并分析实验结果；同时， 在单一核函数的基础上，构建了基于改进核函数的I P S O S V R 交通流预测模型，并与前 述基于径向基核函数的I P S O S V R 模型进行实验对比；最后引入B P 神经网络交通流短 时预测模型，并将其预测结果与前述模型进行对比分析。 第五章在简要介绍集成学习的基础上，着重分析了将B a g g i n g 算法和B o o

43、 s t i n g 算法 与S V R 融合的交通流预测模型。最后从P e M S 中选取节假日和工作日交通流实测数据对 两种模型进行实验仿真，并将预测指标同时与上一章的G S S V R 、P S O S V R 、I P S O S V R 模型的预测指标进行对比。 最后对本文的主要工作进行了小结，并对下一步的工作做了一定的展望。 短时交通流预测目的及意义 短时交通流预测原理 S V R 基本原理分析 土上 交通流可预测性分析S V R 应用于短时交通流预测的 及相空间重构适用性分析 单一S V R 一 交通流数据规范化操作 基于相空问的S V R 交l ! 一嗍格法s V R 模型参数

44、选取H 单一径向基核函数 通流预测模型仿真l ； R S V R 模- 型： 滁篙蓑；i 参数优化 - ： P S o 算法S V R 模型参数选取 选取 ，：函数选择 ： ；： 叫- P s 。算法s V R 模型参数选取卜f 改进核函数 ：j 。一一一。一一+ 一。一。一 用优化后的S V R 预测交通流 集成S V R集成S V R 原理分析 一一 甚于B a g g i n g 的集f i t 茈S V R 基于B o o s t i n j；的集成S V R 短m l “ 交通流预测模型仿真短时交通流f页测模型仿真 一 r 。： ： S V R 模- 型 单一径向基核函数 改进核函数 一 一的小J 核 ：函数选择 。_-_-，