基于粗集理论和支持向量机的道路网短时交通流量预测

被引：12

作者：

李建武 ^{[1
,2
]}

陈森发 ^{[1
]}

黄鹍 ^{[3
]}

机构：

[1] 东南大学系统工程研究所

[2] 邢台职业技术学院

[3] 中国电子科技集团公司第研究所

来源：

计算机应用研究 | 2010年 / 27卷 / 10期

基金：

高等学校博士学科点专项科研基金;

关键词：

道路网; 交通流量; 相空间重构; 粗集理论; 支持向量机; 预测模型;

D O I：

暂无

中图分类号：

U491.14 [];

学科分类号：

082302 ; 082303 ;

摘要：

为了解决城市交通流量预测问题,研究道路网中多断面同时作用的情况,先将各断面交通流时间序列在相空间中重构,以充分提取交通流中的相关信息,然后应用粗集理论的强定性分析能力对输入信息进行约简,消除了样本中的噪声和冗余。在此基础上,再利用支持向量机对约简信息进行预测。为了获得最优的预测精度,该方法还利用遗传算法对预测进行了优化。实例研究表明,该方法的预测效果令人满意,在交通控制领域具有较大的应用潜力。

引用

页码：3683 / 3685+3690 +3690

页数：4

共 6 条

[1] 基于主成分分析和支持向量机的道路网短时交通流量预测 [J].

姚智胜 ;

邵春福 ;

熊志华 ;

岳昊 .

吉林大学学报(工学版), 2008, (01) :48-52

[2] 关于统计学习理论与支持向量机 [J].

张学工 .

自动化学报, 2000, (01) :36-46

[3] A multivariate state space approach for urban traffic flow modeling and prediction [J].

Stathopoulos, A ;

Karlaftis, MG .

TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES, 2003, 11 (02) :121-135

[4] Urban traffic flow prediction using a fuzzy-neural approach [J].

Yin, HB ;

Wong, SC ;

Xu, JM ;

Wong, CK .

TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES, 2002, 10 (02) :85-98

[5]

FAULT DETECTION USING SUPPORT VECTOR MACHINES AND ARTIFICIAL NEURAL NETWORKS, AUGMENTED BY GENETIC ALGORITHMS[J] . L.B. JACK,A.K. NANDI.Mechanical Systems and Signal Processing . 2002 (2)

[6] SUPPORT-VECTOR NETWORKS [J].

CORTES, C ;

VAPNIK, V .

MACHINE LEARNING, 1995, 20 (03) :273-297

← 1 →