基于AOSVR的實時交通信息預測算法研究.pdf

1、智能交通系統(tǒng)(ITS)的成功實施依賴于在交通規(guī)劃層和管理層運用先進的交通分析工具去實時估計和預測網(wǎng)絡交通狀況，并分析網(wǎng)絡性能.許多ITS子系統(tǒng)，如現(xiàn)今的先進交通管理系統(tǒng)(ATMS)、先進的出行者信息系統(tǒng)(ATIS)、先進的公共交通系統(tǒng)(APTS)、緊急事件管理系統(tǒng)(EMS)等，均依賴于當前和即將出現(xiàn)的大范圍內交通狀況實時和準確的信息預測.因此，需要不斷地研究、開發(fā)更為有效的預測方法，以便建立一個實時交通信息預測系統(tǒng)來提供ITS所需要的信

2、息，并幫助評價ITS中各種交通管理方案和信息發(fā)布策略的效率與性能. 與其它的預測應用不同，短時交通預測是在少量數(shù)據(jù)條件下在線、實時完成的，對預測的實時性要求較高.由于預測是為交通控制、誘導和其他管理方式提供信息，要求預測必須在規(guī)定的最短周期內完成一系列復雜的計算工作，保證及時準確地對下一時刻和周期的交通信息進行準確的估計，否則再準確的預測結果也是無用的. 統(tǒng)計學習理論是一種專門研究小樣本情況下機器學習規(guī)律的理論.支持向量

3、機是在這一理論基礎上發(fā)展而來的一種新的通用學習方法.它通過結構風險最小化原理來提高泛化能力，它較好地解決了小樣本、非線性、高維數(shù)、局部極小點等實際問題，已在函數(shù)逼近、模式識別、信號處理、金融時間序列分析和預測等領域得到了廣泛應用. 為此，本文著眼于實時預測方法研究，以簡化計算、提高執(zhí)行效率為研究核心，在精確在線支持向量回歸模型(AOSVR)和在線學習方法基礎上，提出一種具有在線學習功能的實時交通信息預測模型.為了較好地解決實時性

4、與預測精度之間的矛盾，本文重點研究在不影響預測精度的同時，如何提高預測執(zhí)行效率的問題.以精確在線支持向量回歸算法(AOSVR)為基礎，給出一種基于云模型的Sigmoid核函數(shù)簡化計算方法，建立了基于改進的AOSVR交通信息實時預測模型.通過實時交通信息預測檢驗，結果表明該模型無論在計算速度還是精確度方面都優(yōu)于傳統(tǒng)的SVM以及AOSVR模型，也證明基于云模型的Sigmoid核函數(shù)和其他核函數(shù)相比，計算速度更快，更具有魯棒性，而且計算精度沒