基于GA-SVR模型的短期交通流量预测方法研究

被引：15

作者：

韩志聪 ^{[1
]}

樊彦国 ^{[1
]}

吴会胜 ^{[1
]}

刘惠燕 ^{[2
]}

机构：

[1] 中国石油大学(华东)地球科学与技术学院

[2] 青岛市黄岛区国土资源和房屋管理局

来源：

公路交通科技 | 2017年 / 34卷 / 01期

关键词：

交通工程; 交通流分组策略; 遗传-支持向量回归模型; 短期交通流量; 预测参数;

D O I：

暂无

中图分类号：

U491.14 [];

学科分类号：

摘要：

为了提高短期交通流预测精度,寻求最优交通流分组策略,通过对短期历史交通流量数据的分析,运用遗传算法优化支持向量回归机的惩罚参数、核函数参数和不敏感损失函数3个参数,构建了GA-SVR模型。首先对采集的数据采用算术平均值进行了降噪处理,然后根据交通数据特征分为连续5个星期五时间、相邻前5个工作日和当天3种时间周期序列,通过不同时间周期序列确定了最优的训练样本集。最后结合采集的数据进行了验证,并且与传统SVR模型进行了精度对比。结果表明:GA-SVR模型预测精度优于传统SVR模型,且基于当天数据构建的训练样本集总体预测精度最高。

引用

页码：130 / 136

页数：7

共 18 条

[1] 基于支持向量机的交通流预测方法研究.[D].王凡.大连理工大学.2010, 09
[2] 基于动态模糊神经网络的交通流预测.[D].邬月春.兰州交通大学.2013, 02
[3] Comparative evaluation of ARIMA and ANFIS for modeling of wireless network traffic time series..[J].Rajnish K Yadav;Manoj Balakrishnan.EURASIP J. Wireless Comm. and Networking.2014, 1
[4] Scanning near-field optical/atomic force microscopy detection of fluorescence in situ hybridization signals beyond the optical limit
Fukushi, D
Shichiri, M
Sugiyama, S
Yoshino, T
Hagiwara, S
Ohtani, T
[J]. EXPERIMENTAL CELL RESEARCH, 2003, 289 (02) : 237 - 244
[5] Comparison of parametric and nonparametric models for traffic flow forecasting
Smith, BL
Williams, BM
Oswald, RK
[J]. TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES, 2002, 10 (04) : 303 - 321
[6] 基于GA优化SVM的风电功率的超短期预测
刘爱国
薛云涛
胡江鹭
刘路平
[J]. 电力系统保护与控制, 2015, 43 (02) : 90 - 95
[7] 一种基于平衡指数平滑的交通流数据预测方法
陈杨
刘光勇
唐海周
李缘
[J]. 现代计算机(专业版), 2014, (20) : 45 - 48
[8] 城市道路短期交通流预测VHSSA模型
袁健
范炳全
[J]. 公路交通科技, 2014, 31 (05) : 135 - 140+146
[9] 基于交通流参数相关的阻塞流短时预测卡尔曼滤波算法
董春娇
邵春福
周雪梅
孟梦
诸葛承祥
[J]. 东南大学学报(自然科学版), 2014, 44 (02) : 413 - 419
[10] 基于支持向量机回归的短时交通流预测模型
傅贵
韩国强
逯峰
许子鑫
[J]. 华南理工大学学报(自然科学版), 2013, 41 (09) : 71 - 76

← 1 2 →