基于SVM的城市快速路行程时间预测研究

被引：17

作者：

张娟

孙剑

机构：

[1] 同济大学道路与交通工程教育部重点实验室

来源：

交通运输系统工程与信息 | 2011年 / 11卷 / 02期

关键词：

交通工程; 行程时间预测; 支持向量机; 城市快速路;

D O I：

10.16097/j.cnki.1009-6744.2011.02.027

中图分类号：

U491.14 [];

学科分类号：

082302 ; 082303 ;

摘要：

随着城市快速路交通信息采集系统的发展,特别是视频车牌采集系统的应用,使实时动态获得快速路行程时间成为可能,同时也促进了高精度行程时间预测的理论研究和实际应用需求.本文基于快速路车牌识别数据检测的海量历史时间序列数据,选择预测时段的前4个时段的数据作为输入特征值,以遗传算法建立模型参数优化算法,得到训练模型及其参数,从而实现车辆行程时间的动态预测.最后以上海市快速路系统中的三个典型路段的实测数据进行实例分析.结果表明:与传统的指数平滑法、多元回归法、ARIMA法预测结果对比,基于SVM的预测路段平均绝对百分误差在5%以内,希尔不等系数非常接近0,SVM模型显示了更高的预测精度.

引用

页码：174 / 179

页数：6

共 8 条

[1]

A Vehicle Traveling Time Prediction Method Based on Grey Theory and Linear Regression Analysis[J]. 屠珺,李彦明,刘成良.Journal of Shanghai Jiaotong University（Science）. 2009(04)

[2] 支持向量机回归的参数选择方法 [J].

闫国华 ;

朱永生 .

计算机工程, 2009, 35 (14) :218-220

[3] 城市快速路行程时间的统计分析与预测 [J].

朱彦 ;

曹彦荣 ;

杜道生 .

交通运输工程与信息学报, 2009, 7 (01) :93-97+103

[4] 基于Fuzzy回归的快速路行程时间预测模型研究 [J].

杨兆升 ;

保丽霞 ;

朱国华 .

公路交通科技, 2004, (03) :78-81

[5] 关于智能运输系统的关键理论——综合路段行程时间预测的研究 [J].

杨兆升 .

交通运输工程学报, 2001, (01) :65-67+89

[6]

基于占有率数据的模式匹配行程时间预测模型研究[A]. 杨兆升,董升,李善梅,刘雪杰,朱伟权.第二届中国智能交通年会论文集[C]. 2006

[7]

模式识别与状态监控[M]. 科学出版社 , 温熙森, 2007

[8]

New travel time prediction algorithms for intelligent transportation systems[J] . J. Chang,N.K. Chowdhury,H. Lee.Journal of Intelligent ＆ Fuzzy Systems . 2010 (1, 2)

← 1 →