基于参数优化的SVR城市群交通需求预测方法

被引：25

作者：

傅成红

张阳

机构：

[1] 福建工程学院交通运输系

来源：

系统工程 | 2016年 / 02期

关键词：

需求预测; 交通工程; 支持向量回归; 粒子群优化; T分布函数;

D O I：

暂无

中图分类号：

TP18 [人工智能理论]; F570 [城市交通运输经济理论];

学科分类号：

020211 [区域和城市经济学]; 140502 [人工智能];

摘要：

城市群交通需求预测的准确性对城市群交通运输模式选择起着关键作用。针对现有交通需求预测的不足,提出一种面向城市群交通需求预测的改进支持向量回归(SVR)预测算法。考虑到SVR预测模型中核参数σ值的选取对预测效果影响较大,提出一种T变异的粒子群算法,将T分布函数融入到粒子群算法中,提高粒子的全局搜索能力,对核参数的取值进行动态寻优。实验证明,提出的城市群交通预测算法预测结果优于其他经典预测算法,利用T-PSO算法优化核参数也有利于提高预测算法的预测精度。

引用

页码：114 / 120

页数：7

共 10 条

[1]

短时交通流组合模型预测 [J].

沈国江 ;

朱芸 ;

钱晓杰 ;

胡越 .

南京理工大学学报, 2014, 38 (02) :246-251

[2]

动态粒度支持向量回归机 [J].

郭虎升 ;

王文剑 .

软件学报, 2013, 24 (11) :2535-2547

[3]

基于支持向量机回归的短时交通流预测模型 [J].

傅贵 ;

韩国强 ;

逯峰 ;

许子鑫 .

华南理工大学学报(自然科学版), 2013, 41 (09) :71-76

[4]

广义回归神经网络的改进及在交通预测中的应用 [J].

伊良忠 ;

章超 ;

裴峥 .

山东大学学报(工学版), 2013, 43 (01) :9-14

[5]

基于核自组织映射-前馈神经网络的交通流短时预测 [J].

龚勃文 ;

林赐云 ;

李静 ;

杨兆升 .

吉林大学学报(工学版), 2011, 41 (04) :938-943

[6]

公路交通事故预测的灰色残差模型 [J].

李刚 ;

黄同愿 ;

闫河 ;

黄席樾 .

交通运输工程学报, 2009, 9 (05) :88-93

[7]

基于神经网络的城市群客运交通需求预测研究 [D].

高嵩 .

华中科技大学,

2011

[8]

Urban traffic flow forecasting using Gauss–SVR with cat mapping; cloud model and PSO hybrid algorithm[J] Ming-Wei Li;Wei-Chiang Hong;Hai-Gui Kang Neurocomputing 2013,

[9]

Network-Wide Statistical Modeling; Prediction; and Monitoring of Computer Traffic[J] Joel Vaughan;Stilian Stoev;George Michailidis Technometrics 2013,

[10]

Chaos particle swarm optimization and T–S fuzzy modeling approaches to constrained predictive control[J] Huimin Jiang;C.K. Kwong;Zengqiang Chen;Y.C. Ysim Expert Systems With Applications 2011,

← 1 →