基于支持向量機(jī)的快速路小時交通量預(yù)測本科畢業(yè)設(shè)計_說明

1、. . . . 基于支持向量機(jī)的快速路小時交通量預(yù)測摘 要快速路交通量具有復(fù)雜性和不確定性，對交通量的準(zhǔn)確預(yù)測是實現(xiàn)智能交通誘導(dǎo)和控制的基礎(chǔ)。智能交通能解決道路交通擁堵，減少交通事故，減少大氣污染等現(xiàn)實難題，是我國道路交通發(fā)展的方向。充分考慮到快速路交通量所具有的非線性，時變性和隨機(jī)性，提出將支持向量機(jī)回歸算法應(yīng)用到快速路小時交通量預(yù)測中。根據(jù)我國交通情況，利用某快速路小時交通量數(shù)據(jù)，進(jìn)行快速路小時交通量預(yù)測。仿真研究結(jié)果表明，支持向量機(jī)泛化能力好，學(xué)習(xí)速度快，在快速路小時交通量預(yù)測中起著重要作用。關(guān)鍵詞：小時交通量；交通量預(yù)測；支持向量機(jī)回歸；仿真研究31 / 34AbstractExpre

2、ssway traffic flow has the complexity and uncertainty, the accurate traffic flow forecasting is the foundation to realize intelligent traffic guidance to control.Intelligent transportation can solve traffic congestion, reduce traffic accidents, reduce the realistic problems such as air pollution, is

3、 the direction of our country road traffic development. The expressway traffic flow is nonlinear, time-varying and randomness, the support vector machine (SVM) regression algorithm was applied to expressway hours in traffic flow prediction. According to the traffic situation in our country, use the

4、one of Guangzhous expressways traffic flow data to forecast an hour expressway traffic flow. Simulation results show that the generalization and learning ability of support vector machine (SVM) is well, hours in expressway traffic flow forecasting plays an important role.Keywords: hourly traffic vol

5、ume; traffic flow forecasting; support vector machine regression;simulation research目 錄摘要IAbstractII第1章緒論11.1 課題背景11.2研究目的和意義21.3 國外文獻(xiàn)綜述21.4 本論文主要容3第2章支持向量機(jī)理論52.1 支持向量機(jī)概述52.2 支持向量機(jī)回歸與其類型92.3 本章小結(jié)9第3章交通流參數(shù)與預(yù)測方法103.1 交通流基本參數(shù)103.2 交通流量數(shù)據(jù)的采集和特性103.3 交通流預(yù)測的方法113.3.1 交通狀態(tài)預(yù)測概述113.3.2 交通量短時預(yù)測方法123.4 本章小結(jié)13第

6、4章基于支持向量機(jī)的小時交通流預(yù)測144.1 概述144.2 支持向量機(jī)回歸的交通信息預(yù)測144.3 支持向量機(jī)的交通信息預(yù)測的具體步驟154.4 本章小結(jié)16第5章仿真研究175.1 交通流量預(yù)測175.2 本章小結(jié)30結(jié)論31參考文獻(xiàn)32致33第1章 緒論1.1 課題背景城市交通系統(tǒng)是城市經(jīng)濟(jì)社會活動的基礎(chǔ)設(shè)施，城市化的發(fā)展和汽車數(shù)量的增加導(dǎo)致交通道路通行壓力的增加。城市交通的供需矛盾越來越顯現(xiàn)，至此引發(fā)了日趨嚴(yán)重的交通道路堵塞，嚴(yán)重的環(huán)境污染，交通事故頻繁發(fā)生等問題，造成重大的經(jīng)濟(jì)損失。交通堵塞隨即引發(fā)交通通行效率降低和能耗增加的問題。據(jù)研究數(shù)據(jù)表明，汽車時速從40公里降到10公里時，能

7、源消耗量加倍增大，還嚴(yán)重降低了交通通行效率，同時汽車排放的氮氧化物、一氧化碳等氣體加重了環(huán)境負(fù)荷，造成嚴(yán)重的大氣污染和空氣質(zhì)量下降，甚至帶來連續(xù)數(shù)月的霧霾天氣。快速路作為現(xiàn)代化交通的標(biāo)志設(shè)施，具有高效、快速、舒適和安全等優(yōu)勢，對促進(jìn)社會經(jīng)濟(jì)發(fā)展起到關(guān)鍵的作用?？焖俾窚p少了車輛之間的沖突，減少了交通堵塞的現(xiàn)象，提高了道路通行的效率。但是隨著社會經(jīng)濟(jì)的發(fā)展，城市化進(jìn)程的加快，快速路的交通流量也迅速增加。快速路逐漸出現(xiàn)了嚴(yán)重的交通擁堵的現(xiàn)象，導(dǎo)致快速路通行效率降低，環(huán)境污染日益加重等問題，快速路的優(yōu)勢似乎慢慢消退，這種現(xiàn)象影響了人們生活水平的提高和各項事業(yè)的現(xiàn)代化進(jìn)程。隨著機(jī)動車數(shù)量不斷地增加，交通

8、流量接近甚至超過道路的通行能力，對于已經(jīng)建好的城市快速路顯然是不能完全容納的。為了解決機(jī)動車與快速路容納能力之間的矛盾，除了通過行政手段改變交通的運(yùn)行規(guī)律以外，最直接的方法就是修建更多的快速路，以增加道路的容納水平。但是這需要巨額資金的支持，同時又要占用更多的空間。因此，這種方法并不能從根本上解決上述交通矛盾，那么研究和發(fā)展智能交通系統(tǒng)是必經(jīng)之路。在不斷擴(kuò)建和完善的快速路交通網(wǎng)絡(luò)的基礎(chǔ)上，提高快速路交通網(wǎng)絡(luò)的現(xiàn)代化管理水平，改造現(xiàn)有的道路運(yùn)輸通行系統(tǒng)，從而提高快速路的通行能力和服務(wù)質(zhì)量。交通控制與誘導(dǎo)是智能交通系統(tǒng)的重要組成部分之一，交通狀態(tài)的小時交通流量預(yù)測是交通控制與誘導(dǎo)的基礎(chǔ)。目前的預(yù)測

9、方法主要有統(tǒng)計回歸法、狀態(tài)估計法、神經(jīng)網(wǎng)絡(luò)法、時間序列法、動態(tài)交通分配與交通模擬法等，尤其以神經(jīng)網(wǎng)絡(luò)為代表的這種新型人工智能方法?？焖俾返缆方煌ㄏ到y(tǒng)是非線性、時變、不穩(wěn)定、帶有隨機(jī)性的系統(tǒng)，受到的影響因素很多。神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的自適應(yīng)能力，可以根據(jù)歷史數(shù)據(jù)學(xué)習(xí)訓(xùn)練，但是神經(jīng)網(wǎng)絡(luò)會出現(xiàn)求得局部極小解的問題和過學(xué)習(xí)問題。支持向量機(jī)以結(jié)構(gòu)風(fēng)險最小化為目標(biāo)，其具有結(jié)構(gòu)簡單、全局最優(yōu)、小樣本推廣能力強(qiáng)的優(yōu)勢，能很好地解決非線性、高維數(shù)、小樣本和局部極小點(diǎn)等問題，克服了神經(jīng)網(wǎng)絡(luò)的缺陷，成為機(jī)器學(xué)習(xí)界新的研究熱點(diǎn)，已有將其應(yīng)用于交通流量時間序列預(yù)測中。本課題針對快速路交通流量非線性時變的特性，應(yīng)用歷史交通流

10、量數(shù)據(jù)，提出基于支持向量機(jī)的快速路小時交通量預(yù)測方法，預(yù)測未來交通流量數(shù)據(jù)，然后根據(jù)預(yù)測結(jié)果進(jìn)行科學(xué)的交通誘導(dǎo)、控制和管理，從而解決快速路交通堵或通行效率逐漸降低的問題。1.2研究目的和意義小時交通流量預(yù)測是智能交通系統(tǒng)的基礎(chǔ)組成部分，智能交通系統(tǒng)能提高交通運(yùn)輸通行效率，改善交通通行環(huán)境，減少自然環(huán)境的污染，并最終實現(xiàn)人、車、路的完美配合。利用現(xiàn)代技術(shù)獲取快速路的小時交通流量，據(jù)此進(jìn)行下一時段的交通流量預(yù)測，為下一時段的交通流控制和誘導(dǎo)做好基礎(chǔ)。準(zhǔn)確的預(yù)測結(jié)果可以為出行者提供最佳的交通出行路線，科學(xué)合理地引導(dǎo)交通出行，減少出行者的時間浪費(fèi)，從而優(yōu)化道路資源配置，最大限度地發(fā)揮快速路的優(yōu)勢，避免

11、形成交通擁堵，實現(xiàn)快速路交通路網(wǎng)暢通無阻的目的。因此，對交通流量準(zhǔn)確、與時的預(yù)測對于實現(xiàn)交通流誘導(dǎo)與控制十分關(guān)鍵。目前對小時交通流量預(yù)測的方法接近30種，基本可劃分為兩類：其一是基于確定的數(shù)學(xué)模型的交通信息預(yù)測方法，其二是基于知識的智能模型的交通信息預(yù)測方法。數(shù)學(xué)模型預(yù)測方法以數(shù)學(xué)模型理論為基礎(chǔ)，一般情況下能取得較好的結(jié)果，但是模型比較簡單，不能克服隨機(jī)的干擾因素對交通流量的影響，就會容易造成很大的誤差。后者以BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型為代表，BP神經(jīng)網(wǎng)絡(luò)能在有錯誤數(shù)據(jù)的情況下利用結(jié)構(gòu)本身的特性做出準(zhǔn)確的預(yù)測，但是利用BP神經(jīng)網(wǎng)絡(luò)過分強(qiáng)調(diào)學(xué)習(xí)而出現(xiàn)過擬合現(xiàn)象，使模型的泛化能力得不到充分發(fā)揮，同時還會

12、出現(xiàn)，欠學(xué)習(xí)，局部極小點(diǎn)問題。支持向量機(jī)回歸預(yù)測方法采用結(jié)構(gòu)風(fēng)險最小化，可以避免神經(jīng)網(wǎng)絡(luò)的一些缺陷，在解決小樣本數(shù)據(jù)、非線性問題以與高維模式識別方面有很多優(yōu)勢。本文提出基于支持向量機(jī)回歸預(yù)測快速路小時交通流量的方法，利用采集到的快速路交通流量實時數(shù)據(jù)，預(yù)測快速路未來的小時交通流量，解決快速路擁堵和通行效率不高的問題。本課題研究具有重要的實際意義和社會意義，快速路小時交通量預(yù)測對城市快速路的發(fā)展，避免交通事故頻繁發(fā)生和防止交通堵塞現(xiàn)象，合理分配交通資源配置和減少自然資源浪費(fèi)和時間浪費(fèi)有著深遠(yuǎn)的影響，這可使城市快速路健康快速發(fā)展，為國家的經(jīng)濟(jì)高速發(fā)展和人們生活水平的提高貢獻(xiàn)更大的力量。1.3 國外

13、文獻(xiàn)綜述 由于交通流量變化發(fā)展迅速，并且隨機(jī)性和不確定性強(qiáng)，規(guī)律不明顯，導(dǎo)致快速路交通擁堵問題日益明顯，智能交通系統(tǒng)越來越受到專家學(xué)者們的重視，而交通流量預(yù)測對交通控制和誘導(dǎo)起著至關(guān)重要的作用。所以，近年來專家學(xué)者們開始著力于研究小時交通流量的預(yù)測，并取得了重大的成果。文獻(xiàn)1主要介紹了道路網(wǎng)短時交通流量預(yù)測的基本理論、方法和應(yīng)用方向。介紹了交通流量的時空特性屬性，基本參數(shù)等基礎(chǔ)知識，介紹了多種交通流量預(yù)測方法。文獻(xiàn)2主要介紹了目前國外智能交通系統(tǒng)的研究情況，講述了交通流量預(yù)測對于智能交通系統(tǒng)的重要性。列舉了幾個常用的交通信息檢測器和宏觀交通信息預(yù)測模型和方法。 文獻(xiàn)3詳細(xì)地介紹了支持向量回歸算

14、法運(yùn)用于短時交通量預(yù)測的具體做法，從支持向量回歸機(jī)的選取到交通狀態(tài)短時預(yù)測的方法，再到如何構(gòu)建預(yù)測模型，最后進(jìn)行仿真分析。從交通檢測器中獲得某時段交通流量為輸入，對應(yīng)時段的交通流量為輸出，選取合適的核函數(shù)，對支持向量回歸機(jī)進(jìn)行訓(xùn)練。運(yùn)用已訓(xùn)練的支持向量回歸機(jī)預(yù)測下一時段或者周期的交通流量。文獻(xiàn)4介紹了智能交通的特點(diǎn)和優(yōu)勢，由此引申出利用支持向量機(jī)來處理短時交通流量預(yù)測的問題。文章過實際的案例分析，闡述了支持向量機(jī)在交通系統(tǒng)運(yùn)用中具有可行性和有效性。文獻(xiàn)5主要分為兩個部分，第一部分介紹了支持向量機(jī)的基本知識，讓讀者明白支持向量機(jī)的理論思想。第二部分主要介紹如何通過MATLAB軟件來編寫程序來實現(xiàn)

15、支持向量機(jī)的思想，如實現(xiàn)支持向量機(jī)分類算法。通過閱讀這篇文章，能學(xué)習(xí)到基本的MATLAB語言編寫的過程。文獻(xiàn)6介紹了支持向量機(jī)主要有兩大功能：支持向量的分類和支持向量機(jī)的回歸。文獻(xiàn)7介紹了短時交通預(yù)測的基本原理、預(yù)測模型的特性，主要介紹了對其建模的理論基礎(chǔ)，特點(diǎn)，可行性進(jìn)行有效地分析，最后對比和評價各類預(yù)測模型。文獻(xiàn)8在總結(jié)了預(yù)測模型的基礎(chǔ)上，將基于支持向量機(jī)的小時交通流量預(yù)測模型的仿真結(jié)果與基于BP神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測模型仿真結(jié)果進(jìn)行對比，發(fā)現(xiàn)在預(yù)測精度，泛化能力，收斂時間，最優(yōu)性方面等方面，基于支持向量機(jī)的小時交通流量預(yù)測方面更勝一籌。文獻(xiàn)9支持向量機(jī)通過核函數(shù)工作在特征空間中，原問題能

16、在特征空間中獲得線性性能，從而便于解決問題。文獻(xiàn)10本文介紹了通過支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行比較，證明支持向量機(jī)在交通量預(yù)測的可行性。通過比較可知，支持向量機(jī)預(yù)測交通流量的方法避免出現(xiàn)過學(xué)習(xí)和欠學(xué)習(xí)的現(xiàn)象，而且具有很好的推廣能力，比BP神經(jīng)網(wǎng)絡(luò)具有更高的預(yù)測精度和魯棒性。1.4 本論文主要容全文一共分為五章，每章主要容的安排如下：第1章 緒論。介紹本文研究交通流量預(yù)測的背景知識，簡要闡明課題研究的目的和現(xiàn)實意義，講述了智能交通系統(tǒng)的特點(diǎn)和優(yōu)勢，是我國道路交通發(fā)展的必然方向。第2章 支持向量機(jī)理論。本章節(jié)主要介紹了什么是支持向量機(jī)，支持向量機(jī)的回歸類型有哪些，支持向量機(jī)核函數(shù)有哪些和他們各自的

17、特點(diǎn)。第3章 交通流參數(shù)與預(yù)測方法。本章講述交通流的基本參數(shù)，交通流數(shù)據(jù)采集和特征，以與簡要介紹交通流量短時預(yù)測的方法。第4章 基于支持向量機(jī)的小時交通流量的預(yù)測。本章介紹了支持向量機(jī)回歸的交通信息預(yù)測方法的知識，實現(xiàn)訓(xùn)練樣本的非線性回歸和預(yù)測的具體步驟。第5章 仿真研究。利用樣本數(shù)據(jù)使用MATLAB進(jìn)行編程，然后進(jìn)行仿真研究，得出交通流量預(yù)測結(jié)果，把預(yù)測結(jié)果與實際交通流量進(jìn)行對比評價，計算出相對誤差。第2章 支持向量機(jī)理論2.1 支持向量機(jī)概述機(jī)器學(xué)習(xí)是計算機(jī)科學(xué)和人工智能中重要的研究方向。機(jī)器學(xué)習(xí)從眾多學(xué)科中吸收成果和概念，通過經(jīng)驗改動計算機(jī)算法并理解問題的背景、算法和算法中的假定。現(xiàn)代智

18、能技術(shù)的重要方向是基于數(shù)據(jù)的機(jī)器學(xué)習(xí)，研究樣本集數(shù)據(jù)并從中尋找規(guī)律，然后利用規(guī)律對未來一段時間或周期的數(shù)據(jù)進(jìn)行預(yù)測，最后根據(jù)預(yù)測結(jié)果進(jìn)行科學(xué)合理的判斷，指導(dǎo)人們正確地進(jìn)行生產(chǎn)和生活。支持向量機(jī)是新興的機(jī)器學(xué)習(xí)方法之一，面對小樣本數(shù)據(jù)時，支持向量機(jī)能找出最優(yōu)的解決方案，使泛化能力達(dá)到最優(yōu)。目前，統(tǒng)計學(xué)習(xí)理論是對于小樣本情況研究學(xué)習(xí)規(guī)律和預(yù)測的最佳理論。支持向量機(jī)的理論基礎(chǔ)是統(tǒng)計學(xué)習(xí)理論，最初于20世紀(jì)90年代由VladimirN.Vapnick等人提出，近年來理論研究和算法實現(xiàn)取得很大的突破，成為克服“維數(shù)災(zāi)難問題”、“小樣本”、“過學(xué)習(xí)問題”等的重要方法，在人臉檢測，手寫體數(shù)字識別、語音識別等

19、方面都有重大的應(yīng)用。支持向量機(jī)最初為了解決分類問題，其目標(biāo)是結(jié)構(gòu)風(fēng)險最小化，結(jié)構(gòu)風(fēng)險在經(jīng)驗風(fēng)險和置信圍中選擇一個折衷，適用于有限樣本的情況。對于線性可分的分類問題，通過平分最近點(diǎn)法，把分類問題轉(zhuǎn)化為最優(yōu)化問題，通過最優(yōu)化問題的對偶問題求最優(yōu)解，用最優(yōu)解構(gòu)造決策函數(shù)。對于線性不可分的分類問題，首先引入懲罰系數(shù)，通過平分最近點(diǎn)法，也可把分類問題轉(zhuǎn)變?yōu)樽顑?yōu)化問題，然后通過最優(yōu)化問題的對偶問題求得最優(yōu)解，因此構(gòu)造決策函數(shù)。對于非線性分類問題，則先引進(jìn)核函數(shù)K，把原問題轉(zhuǎn)變?yōu)楦呔S空間的線性問題，最后構(gòu)造核函數(shù)。支持向量機(jī)將輸入空間映射到一個高維空間，在這個空間中找到輸入變量與輸出變量的線性關(guān)系。通過選擇

20、合適的核函數(shù)就能實現(xiàn)非線性變換后的線性分類，因為沒有增加計算復(fù)雜度，所以就能達(dá)到避免維數(shù)災(zāi)害的目的。支持向量機(jī)的結(jié)構(gòu)與神經(jīng)網(wǎng)絡(luò)相似，中間的每個節(jié)點(diǎn)對應(yīng)每一個支持向量，輸出的結(jié)果是中間節(jié)點(diǎn)的線性組合，具體結(jié)構(gòu)如下圖2-1所示：圖2-1 支持向量機(jī)結(jié)構(gòu)圖為解決數(shù)據(jù)分類問題，針對線性可分情況，支持向量機(jī)從最優(yōu)分類面發(fā)展而來，引入核函數(shù)，在高維空間中，支持向量機(jī)能建立最優(yōu)分類面，兩類線性劃分的最優(yōu)超平面如下圖2-2所示：圖2-2 兩類線性劃分的最優(yōu)超平面上圖中位于中間的實線平面叫做最優(yōu)分類面，其附近的虛線面是兩類樣本集中離最優(yōu)分類面最近的樣本虛線平面，兩條虛線之間的距離叫做分類間隔，最優(yōu)分類線就是要將

21、兩類樣本分開，并且使分類的間隔達(dá)到最大。面對線性回歸問題，先對分類線進(jìn)行標(biāo)準(zhǔn)化處理，使得對線性可分的訓(xùn)練樣本集滿足下面不等式： (2.1)上式中，。訓(xùn)練樣本可分，使分類間隔最大或最小的分類面就是所需要的最優(yōu)分類面。使分類的間隔達(dá)到最大就是提高泛化能力，這是SVM的核心思想之一。設(shè)線性函數(shù)為：(2.2)上式中，優(yōu)化問題則為尋找最小的。使得最小。約束條件為：(2.3)如果訓(xùn)練集中有不滿足線性可分的樣本點(diǎn)，還要在條件中引入松弛變量，因此式和（2-2），可以寫成(2.4)約束條件則變?yōu)椋海?.5）上式中，為懲罰系數(shù)，為不敏感損失系數(shù)，為變量的上下限。的具體取值為：（2.6）采用對偶原理將上式轉(zhuǎn)化為二次

22、規(guī)劃問題，構(gòu)造Lagrange方程： （2.7）上式中，對參數(shù),和的偏導(dǎo)都為零，即為 （2.8）與對偶優(yōu)化問題：（2.9）約束為：（2.10）其中 其中只有一小部分為零。根據(jù)KKT定理，在最優(yōu)解處（2.11）和 （2.12）在不敏感圍，所有樣本對應(yīng)的都為零，而外部點(diǎn)則有或者，處于邊界位置時，和都為零，于是和，因而得到（2.13）計算出b的值，進(jìn)一步得到：（2.14）最后得到：（2.15）2.2 支持向量機(jī)回歸與其類型支持向量機(jī)回歸是支持向量機(jī)在預(yù)測、估計方面的應(yīng)用。對于非線性回歸問題，首先引入核函數(shù),把問題轉(zhuǎn)化為Hilbert空間中的線性回歸問題，然后構(gòu)造決策函數(shù)。在確定支持向量機(jī)回歸的類型、

23、核函數(shù)、損失函數(shù)以與選取相應(yīng)的參數(shù)后，就可利用支持向量機(jī)回歸的算法，對實際問題建模，求出最優(yōu)化問題，最后構(gòu)造決策函數(shù)。根據(jù)算法的不同，支持向量機(jī)回歸的類型主要有-支持向量機(jī)回歸、-支持向量機(jī)回歸和最小二乘支持向量機(jī)回歸等。在支持向量機(jī)中，引入核函數(shù)是為了建立輸入空間到高維空間，常用的核函數(shù)有：1、多項式核： （2.16） 其中：、為參數(shù)，其中，是任意正整數(shù)，。當(dāng)時，為非齊次多項式核函數(shù),當(dāng)時，為齊次多項式核函數(shù)。2、Sigmoid核： （2.17）其中，、為參數(shù)。3、高斯徑向基函數(shù)： （2.18）此外，還有傅里葉核、B-樣條核等。-支持向量機(jī)回歸、-支持向量機(jī)回歸所選的損失函數(shù)都是-不敏感損失

24、函數(shù)，這個定義是當(dāng)觀測值和預(yù)測值之差不超過實現(xiàn)給定的時，則認(rèn)為這時的預(yù)測值是無損失的。另外，還有其他損失函數(shù)，包括Gauss損失函數(shù)、Laplace損失函數(shù)、魯棒損失函數(shù)、多項式損失函數(shù)分段多項式損失函數(shù)等。選擇不同的損失函數(shù)，所要求解的最有問題的目標(biāo)函數(shù)和約束條件就要發(fā)生變化。2.3 本章小結(jié) 本章介紹了支持向量機(jī)的基本理論,常用的核函數(shù)以與回歸估計類型。支持向量機(jī)是基于統(tǒng)計學(xué)習(xí)理論，屬于機(jī)器學(xué)習(xí)方法在計算機(jī)科學(xué)和人工智能中的研究領(lǐng)域，是用最優(yōu)化方法解決機(jī)器學(xué)習(xí)問題的工具。支持向量機(jī)通過構(gòu)造最優(yōu)超平面，根據(jù)結(jié)構(gòu)風(fēng)險最小化，在確保分類精度的基礎(chǔ)上，使學(xué)習(xí)機(jī)器的VC維盡可能降低，從而縮小執(zhí)行圍。

25、第3章 交通流參數(shù)與預(yù)測方法3.1 交通流基本參數(shù)通過對交通流量的實時誘導(dǎo)和控制是智能交通系統(tǒng)研究的根本目的，正確、與時地分配交通流量，從而緩解道路擁堵的情況，使交通網(wǎng)絡(luò)暢通，高效。因此，如何對交通流量做出正確準(zhǔn)確與時的預(yù)測，是控制和分配交通流量的前提。交通流具有時間和空間的變化特性，這種時空特性是某空間位置交通流運(yùn)行狀態(tài)的定性，定量特征。交通流量的預(yù)測實際就是對交通流基本參數(shù)的預(yù)測，交通流基本參數(shù)包括宏觀參數(shù)和微觀參數(shù)。宏觀參數(shù)是指通過整體的道路運(yùn)行狀態(tài)特性表現(xiàn)出來，主要包括流量、速度、密度、道路占有率、排隊長度等；微觀參數(shù)是指道路中前后相關(guān)車輛間的運(yùn)行狀態(tài)特性，其中有車頭間距與車頭時距。一

26、般情況下，主要選擇流量、速度和密度來反映交通流量的運(yùn)行狀態(tài)。流量，是指在單位時間通過某一斷面的實際車輛數(shù)，是描述交通流特征的三大參數(shù)之一。流量是隨時間和空間變化而變化的，要在道路系統(tǒng)一系列的位置上，搜集流量在時間和空間上數(shù)據(jù)和變化，為交通量的誘導(dǎo)和控制提供數(shù)據(jù)參考。速度，是指車輛在單位時間通過的距離，是描述交通流特性的三個基本參數(shù)之一。速度有幾種，其中包括地點(diǎn)速度、行程速度、行駛速度、臨界速度和設(shè)計速度。密度，是指在單位長度道路上，某一瞬時所存的車輛數(shù)量。密度是瞬時值，隨著時間和空間的變化而發(fā)生變化。密度也是描述交通流特性的參數(shù)之一，應(yīng)用在劃分道路服務(wù)水平等方面。3.2 交通流量數(shù)據(jù)的采集和特

27、性交通流量是無時無刻都在變化的，因此如何獲取準(zhǔn)確的實時交通流量信息對下一時段或周期的交通流量預(yù)測十分重要。當(dāng)前交通流量數(shù)據(jù)是預(yù)測的依據(jù)，所以交通流量數(shù)據(jù)的采集是交通流量預(yù)測的第一步。隨著交通科技水平的發(fā)展，各種交通信息數(shù)據(jù)采集設(shè)備和技術(shù)應(yīng)運(yùn)而生。動態(tài)交通流量數(shù)據(jù)采集技術(shù)分為固定型采集技術(shù)以與移動型采集技術(shù)等。固定型采集技術(shù)主要是指運(yùn)用安裝在固定地點(diǎn)的交通檢測設(shè)備對來往的車輛進(jìn)行采集交通流量信息的方法，這些設(shè)備安裝在快速路的主干道或者次干道的交叉路口。這種技術(shù)以線圈檢測為代表，其具有技術(shù)成熟，精度高的優(yōu)點(diǎn)，但是因為只能檢測安裝設(shè)備路段的交通流量信息，所以信息的完備性較差。移動型采集技術(shù)是指用安裝

28、有檢測設(shè)備的移動車輛在道路上采集交通流量信息的方法，這種技術(shù)以浮動車檢測技術(shù)為代表，因為能檢測到整個路段，所以采集到的交通信息的完備性好，但也存在精度不高的情況。運(yùn)用交通流檢測系統(tǒng)和路段檢測器，可獲得車輛通行數(shù)據(jù)資料，在交叉口路口前后分車型交通流信息，然后按照標(biāo)準(zhǔn)車型換算表換算成當(dāng)前交通流量。由獲得的交通流信息可以看出，交通流具有以下特性：1、交通流的時間、空間特性：交通流量在不同的時間或者不同的空間有不同的情況出現(xiàn)，而且同一地點(diǎn)不同時間的交通流也有很大的不同。2、交通流的不確定特性：交通流變化過程是非線性，高維度，非平穩(wěn)的隨機(jī)過程，容易受各種因素的影響。例如：本路段過去幾個時段或者周期的交通

29、流量，路段上下游的交通流量，天氣變化，交通道路通行狀況等。此外，旅客會根據(jù)實際交通路況來調(diào)整行程和路線，交通擁堵的路段也就會隨之發(fā)生變化。3、交通流的自組織特性：將由系統(tǒng)部決定，系統(tǒng)有序的結(jié)構(gòu)形成與完善叫做自組織。構(gòu)成交通流的行人和車輛會已實際交通狀況來確定他們的行動方式，導(dǎo)致原能最有效的疏導(dǎo)交通的時間增長，而這種集體行為從產(chǎn)生到消失的時間很短暫。所以宏觀上交通流量的演化過程存在自組織現(xiàn)象。綜合上面的交通流特性可知，交通流是一個巨大而且復(fù)雜的網(wǎng)絡(luò)，每一個因素都會影響著交通流的產(chǎn)生和發(fā)展變化。但每一次的變化絕非偶然，而是其部因素相互影響的必然結(jié)果，決定著下一時刻的短時交通流的變化。交通流的時空性

30、，隨機(jī)時變不確定性等特性，呈現(xiàn)出一個錯中復(fù)雜的交通網(wǎng)絡(luò)，為交通流預(yù)測帶來巨大的障礙和困難。因此，交通流的預(yù)測方法是世界研究的重要課題之一。3.3 交通流預(yù)測的方法3.3.1 交通狀態(tài)預(yù)測概述預(yù)測是對客觀事物的未來發(fā)展?fàn)顟B(tài)和變化趨勢進(jìn)行的分析推測，為后來的制定計劃和決策提供依據(jù)。人們根據(jù)事物間的相互聯(lián)系，應(yīng)用科學(xué)知識和手段從已經(jīng)掌握的歷史資料數(shù)據(jù)中進(jìn)行推斷。如今，預(yù)測已經(jīng)運(yùn)用到各種領(lǐng)域，如：經(jīng)濟(jì)預(yù)測、社會預(yù)測、技術(shù)預(yù)測等領(lǐng)域。按照預(yù)測的性質(zhì)，可以分為定性預(yù)測和定量預(yù)測：定性預(yù)測是以主觀認(rèn)識經(jīng)驗和邏輯判斷為主，對事物未來的發(fā)展趨勢和發(fā)展?fàn)顩r進(jìn)行推測判斷。定性預(yù)測一般應(yīng)用于缺乏歷史資料的事件，更多的

31、是根據(jù)專家經(jīng)驗進(jìn)行預(yù)測。 定量預(yù)測是指根據(jù)準(zhǔn)確、與時、全面的調(diào)查統(tǒng)計資料，運(yùn)用統(tǒng)計方法和數(shù)學(xué)模型，對事物發(fā)展前景的水平、規(guī)模做出預(yù)測。定量預(yù)測和統(tǒng)計的數(shù)據(jù)資料，資料有密切關(guān)系，所以也稱為統(tǒng)計預(yù)測。常用方法有回歸法、時間序列法等。交通流量預(yù)測屬于社會預(yù)測的疇，對社會的發(fā)展產(chǎn)生重要的作用。交通管理部門根據(jù)城市道路狀態(tài)進(jìn)行實時動態(tài)管理和控制，為市民交通出行信息服務(wù)。準(zhǔn)確的道路交通信息預(yù)測，對進(jìn)行科學(xué)合理的交通誘導(dǎo)和控制，提高快速路的通行效率，緩解交通擁堵情況，減少環(huán)境污染資源浪費(fèi)有著重要的社會意義。然而，道路交通是一個無時無刻都在變化的復(fù)雜巨系統(tǒng)，道路狀態(tài)預(yù)測難度很大。要發(fā)揮智能交通誘導(dǎo)與控制的作用

32、，就必須做好交通流量的預(yù)測工作。交通流量預(yù)測是基于動態(tài)獲取的交通流量數(shù)據(jù)的時間序列來預(yù)測未來時段交通流量數(shù)據(jù)。常用流量，速度和占有率等作為反映交通流量狀態(tài)的參數(shù)，因此，交通流量預(yù)測實質(zhì)上是對這些交通流量的參數(shù)進(jìn)行預(yù)測。典型的交通流量狀態(tài)預(yù)測以統(tǒng)計分析的方法為基礎(chǔ)，比如有歷史趨勢法、時間序列法等。歷史趨勢法模型比較簡單，但精度較差，無法實時反應(yīng)交通流量的時間變化特性，在沒有準(zhǔn)確實時的要求下，可以取得較好的效果。時間序列法相比前者計算簡便，易于實時進(jìn)行更新，便于應(yīng)用。隨著道路交通流量的隨機(jī)性和非線性更強(qiáng)，后來就出現(xiàn)了支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、模糊理論、混沌理論和元胞自動機(jī)等非線性系統(tǒng)理論為基礎(chǔ)的非線性

33、預(yù)測模型。交通流量預(yù)測要解決的是從具有隨機(jī)性和不確定性的交通流量變化中，對采集來的交通流量參數(shù)數(shù)據(jù)進(jìn)行數(shù)據(jù)研究分析，找出在規(guī)律并建立預(yù)測模型和方法，以此來預(yù)測未來時段或周期的交通流量變化，其基本流程如圖3-1所示：車輛檢測器采集的數(shù)據(jù)交通流量數(shù) 據(jù)預(yù)測模型和方法交通流量狀態(tài)預(yù) 測圖3-1 小時交通流量預(yù)測流程根據(jù)上述交通流量預(yù)測的概念，建立的預(yù)測模型應(yīng)該符合如下的要求：1、實時性和準(zhǔn)確性。預(yù)測模型要具備快速計算能力，且交通流量預(yù)測結(jié)果滿足相對誤差要求要求。2、動態(tài)反饋性。交通流量一旦發(fā)生特殊情況，能與時反饋到計算模型中進(jìn)行調(diào)整。3、可靠性。交通流量預(yù)測受到的影響因素多種多樣，例如天氣的變化，道

34、路施工，交通事故等，因此模型應(yīng)具有很好的抗干擾能力以與可以通過改變參數(shù)來適應(yīng)時間和空間的變化。3.3.2 交通量短時預(yù)測方法交通優(yōu)化和交通管理和控制的基礎(chǔ)不能缺少交通流的預(yù)測研究，預(yù)測的信息是依據(jù)小時、日、月、季度、年為單位進(jìn)行統(tǒng)計數(shù)據(jù)，也可能根據(jù)當(dāng)前時段或者周期來預(yù)測下一個周期或時段的交通流狀態(tài)。因此，做好交通流量短時預(yù)測非常重要，關(guān)系到交通誘導(dǎo)和控制的正常進(jìn)行。迄今為止，已有很多理論和方法應(yīng)用于短時短時交通流量預(yù)測領(lǐng)域，有基于線性系統(tǒng)理論的預(yù)測方法、基于知識發(fā)現(xiàn)的智能模型的預(yù)測方法、基于非線性系統(tǒng)理論的預(yù)測方法、基于組合模型的預(yù)測方法、基于交通模擬的預(yù)測方法等。上述的交通流預(yù)測的模型和方法

35、，各有缺點(diǎn)?；诰€性系統(tǒng)理論的預(yù)測方法計算復(fù)雜性低，操作簡單，但對于路況復(fù)雜的交通系統(tǒng)則不能滿足預(yù)測結(jié)果的精確性和動態(tài)反饋性。基于非線性的系統(tǒng)理論的預(yù)測方法體現(xiàn)了交通狀態(tài)非線性的特征，精確性較高，但計算復(fù)雜，理論有待深入?；谥R發(fā)現(xiàn)的智能模型有很強(qiáng)的數(shù)據(jù)處理能力，預(yù)測結(jié)果令人滿意，但計算復(fù)雜性高，參數(shù)選擇困難?；诮M合模型的預(yù)測方法能結(jié)合各種模型的優(yōu)點(diǎn)，如組合方法不當(dāng)，預(yù)測效果可能反而變差。從目前情況來看，每一種方法都有自己的適用圍和條件。對于某種特定的情形，預(yù)測結(jié)果能獲得令人滿意的結(jié)果，而在其他環(huán)境下，預(yù)測的結(jié)果卻差強(qiáng)人意。所以，對于各種環(huán)境下的交通流預(yù)測，應(yīng)該是多種方法，相互協(xié)調(diào)補(bǔ)充的過

36、程。短時交通流預(yù)測與其他的預(yù)測應(yīng)用不同，提出了更高的要求，短時交通流預(yù)測是在線、實時完成的。一方面，短時交通量預(yù)測是為交通誘導(dǎo)和控制提供依據(jù)，所以預(yù)測模型必須在短時間完成復(fù)雜的計算，保證與時對下一時段的交通量進(jìn)行估計，否則預(yù)測結(jié)果也是無用的。另一方面，交通流數(shù)據(jù)的檢測、傳輸也是實時完成的，要從預(yù)測系統(tǒng)中獲取大量的數(shù)據(jù)中作出準(zhǔn)確性評價，作出科學(xué)準(zhǔn)確的預(yù)測。3.4 本章小結(jié)本章對交通流的基本參數(shù)流量、速度、密度，進(jìn)行了簡要的敘述，了解到交通流具有時空特性，隨機(jī)性，不確定性，不可預(yù)知性等特性，充分說明交通網(wǎng)絡(luò)是一個復(fù)雜且時變的網(wǎng)絡(luò)。接著對交通預(yù)測的概念進(jìn)行了說明，對眾多的交通流量預(yù)測方法進(jìn)行分類，提

37、出了交通預(yù)測模型應(yīng)具備的要求。最后提出了交通狀態(tài)短時預(yù)測的方法，交通短時預(yù)測方法具有實時性、準(zhǔn)確性、可靠性等特性，對交通管理和控制有指導(dǎo)的效果，是智能交通的關(guān)鍵技術(shù)之一。第4章 基于支持向量機(jī)的小時交通流預(yù)測4.1 概述第2章所提與的機(jī)器學(xué)習(xí)在交通流預(yù)測中主要是回歸預(yù)測問題，就是從采集到的交通流量數(shù)據(jù)中找到規(guī)律，利用規(guī)律對未來交通流量數(shù)據(jù)進(jìn)行預(yù)測，然后掌握交通流量的變化規(guī)律，根據(jù)規(guī)律采取相應(yīng)的措施，實行交通誘導(dǎo)和控制。支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)是眾多新算法研究中的熱點(diǎn)，都屬于機(jī)器學(xué)習(xí)方法的疇。神經(jīng)網(wǎng)絡(luò)具有逼近任意非線性函數(shù)，容錯和自學(xué)習(xí)的優(yōu)勢，具有強(qiáng)大的并行處理能力，學(xué)習(xí)能力和自適應(yīng)能力。但是，神經(jīng)

38、網(wǎng)絡(luò)的學(xué)習(xí)過程過分依賴經(jīng)驗風(fēng)險最小化原則，在小樣本數(shù)據(jù)的學(xué)習(xí)過程中容易出現(xiàn)過學(xué)習(xí)現(xiàn)象，以致于泛化能力低下。此外，神經(jīng)網(wǎng)絡(luò)算法容易受到網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜性和樣本復(fù)雜性的影響，容易陷入局部極小點(diǎn)和出現(xiàn)“維數(shù)災(zāi)害”問題?；谥С窒蛄繖C(jī)預(yù)測交通信息的思想在于，首先選擇非線性映射把樣本向量從原空間向量映射到高維特征向量，然后在高維特征空間構(gòu)造最優(yōu)的決策函數(shù)。采用結(jié)構(gòu)最小化原則，引入決策函數(shù)，利用原空間的核函數(shù)取代高維特征空間的點(diǎn)積運(yùn)算。根據(jù)算法的不同，用于預(yù)測交通量的有-支持向量機(jī)、-支持向量機(jī)和最小二乘支持向量機(jī)（LS-SVM）等。4.2 支持向量機(jī)回歸的交通信息預(yù)測基于支持向量機(jī)的預(yù)測方法，核心在于利用支

39、持向量機(jī)回歸的思路。小時交通流量的支持向量機(jī)回歸預(yù)測方法，是支持向量機(jī)回歸理論在短時交通流預(yù)測中的一種應(yīng)用，在交通狀態(tài)隨機(jī)的變化過程中，根據(jù)交通流量狀態(tài)基本參數(shù)，結(jié)合其他因素，利用歷史數(shù)據(jù)訓(xùn)練支持向量機(jī)，尋找出輸入與輸出之間的規(guī)律，建立支持向量機(jī)回歸預(yù)測模型，以預(yù)測下一個時段或者周期的交通流量。應(yīng)用支持向量機(jī)預(yù)測交通流，先用歷史數(shù)據(jù)來訓(xùn)練支持向量機(jī)，從而得到輸入與輸出之間的相互依賴關(guān)系，那么預(yù)測時就能給定相應(yīng)的輸入就能得到交通流預(yù)測結(jié)果。假設(shè)給定訓(xùn)練數(shù)據(jù)樣本(x1, y1), , (xl, yl)ÌRn×R。用非線性映射把輸入的數(shù)據(jù)樣本從原空間映射到高維特征空間，在高維空間

40、構(gòu)造最優(yōu)決策函數(shù)，同時引入損失函數(shù)，用原空間的核函數(shù)取代高維特征空間的點(diǎn)積運(yùn)算，實現(xiàn)線性回歸，即特征空間中構(gòu)造分類超平面： （4.1）在高維空間的線性回歸對應(yīng)著低維空間非線性回歸，定義不敏感損失函數(shù)： （4.2）支持向量回歸（SVR）問題就找到適當(dāng)?shù)谋平瘮?shù)使最?。?（4.3）式中：為線性權(quán)值向量；是第個輸入, 是對應(yīng)的期望輸出;C是復(fù)雜度和樣本擬合精度的折衷，其值越大則擬合精度越高；不敏感損失函數(shù)即回歸允許的最大誤差，當(dāng)它的值越大時，支持向量數(shù)量越少。這樣式子就變成： （4.4）相應(yīng)的對偶形式為：（4.5）核函數(shù)滿足Mercer條件，代替，把積式轉(zhuǎn)化成核函數(shù)式：（4.6）實現(xiàn)非線性回歸核函數(shù)

41、，樣本對應(yīng)的輸出公式為： （4.7）的計算公式為： （4.8）4.3 支持向量機(jī)的交通信息預(yù)測的具體步驟 1、對歷史交通量數(shù)據(jù)進(jìn)行歸一化處理，確定合適的嵌入維數(shù)m，生成數(shù)據(jù)集。 2、選擇核函數(shù)，確定SVM參數(shù)。得到樣本數(shù)據(jù)集后，選擇徑向基函數(shù)（RBF）作為核函數(shù)，并確定二次規(guī)劃的優(yōu)化參數(shù)和C。和C對支持向量機(jī)算法的學(xué)習(xí)能力和推廣能力有很大的影響。懲罰系數(shù)C取值小，訓(xùn)練誤差就會增大，懲罰系數(shù)取值大，學(xué)習(xí)精度提高，但模型的泛化能力就變差。因此，選取適當(dāng)?shù)膽土P系數(shù)C對預(yù)測模型很重要，適當(dāng)?shù)腃值能減小離群樣本的干擾，提高模型的穩(wěn)定性。不敏感損失函數(shù)控制的是模型的預(yù)測能力，取值大時，導(dǎo)致學(xué)習(xí)精度低，推廣

42、能力下降。取值小時，就會導(dǎo)預(yù)測致模型過于復(fù)雜，訓(xùn)練時間變長。因此，可以使用動態(tài)調(diào)整的方法來確定參數(shù)，先用先驗知識方法固定其中一個參數(shù)，然后用列舉法來確定另外一個參數(shù)。最后固定已經(jīng)優(yōu)化的參數(shù)來確定未優(yōu)化的參數(shù)，以最終確定和C。3、 輸入數(shù)據(jù)集，生成預(yù)測函數(shù)。輸入數(shù)據(jù)集，求得Lagrange乘數(shù)和偏置的值，確定預(yù)測函數(shù) （4.9）4、預(yù)測并進(jìn)行誤差分析。根據(jù)生成的預(yù)測函數(shù)預(yù)測未來時段的交通流量信息，并對預(yù)測結(jié)果進(jìn)行誤差評價分析。如果發(fā)現(xiàn)相對誤差較大，則需要返回地2步，重新調(diào)整SVM的參數(shù)。4.4 本章小結(jié)本章提出了基于支持向量機(jī)回歸的交通量預(yù)測的方法，支持向量機(jī)能較好地解決“小樣本”、“維數(shù)災(zāi)害問

43、題”、“過學(xué)習(xí)問題”、“局部極小點(diǎn)問題”。接著介紹了如何通過訓(xùn)練數(shù)據(jù)樣本實現(xiàn)非線性回歸，確定支持向量機(jī)交通信息預(yù)測的具體步驟，包括如何選擇核函數(shù)，確定支持向量機(jī)參數(shù)，引入損失函數(shù)，構(gòu)造最優(yōu)超平面，輸入歷史數(shù)據(jù)集，生成預(yù)測函數(shù)結(jié)果等問題。第5章 仿真研究借用梁新榮教授的實驗數(shù)據(jù)，使用MATLABR2011a實現(xiàn)基于支持向量機(jī)對某快速路小時交通量預(yù)測的編程。5.1 交通流量預(yù)測選取某快速路作為預(yù)測對象，采集2008年6月和8月周一到周五和周末的交通流量數(shù)據(jù)，一共42天1008個周一到周五數(shù)據(jù)和20天的480個周末的數(shù)據(jù)，利用MATLAB軟件進(jìn)行數(shù)據(jù)仿真得出預(yù)測結(jié)論。本論文先采用周一到周五（工作日）

44、連續(xù)5天的交通流量作為輸入進(jìn)行預(yù)測，其中利用數(shù)據(jù)集的前36天交通數(shù)據(jù)作為樣本集，后6天的數(shù)據(jù)作為測試集。預(yù)測前先對交通流量樣本數(shù)據(jù)進(jìn)行處理。根據(jù)交通調(diào)查車型分類與車輛折算系數(shù)表5-1進(jìn)行換算交通流量：表5-1 車輛系數(shù)折算表車型小貨車中貨車大貨車特大貨 車小客車大客車拖掛車集裝箱車折算系數(shù)11.52311.533通過折算系數(shù)表對當(dāng)天每個小時各車型的數(shù)量進(jìn)行換算后，綜合起來即為當(dāng)天24小時的交通流量。以1個小時作為交通流量信息預(yù)測單位，輸入連續(xù)5天當(dāng)天該小時的流通量樣本數(shù)，預(yù)測未來一天該小時的交通流量信息，得出預(yù)測結(jié)果。再以得到的預(yù)測結(jié)果與樣本集中的交通流量信息進(jìn)行誤差評價分析，從而評估建立的基

45、于支持向量機(jī)回歸的交通流量預(yù)測模型的可行性。預(yù)測值的相對誤差計算公式： （5.1）為實際值，預(yù)測值。以1小時為單位的交通量預(yù)測，用MATLAB語言編制m文件程序進(jìn)行仿真，則有24個m文件程序，現(xiàn)在摘取第11小時的交通量預(yù)測的程序進(jìn)行展示。全天第11個小時的交通量預(yù)測程序如下：clcclearclose alltic;%六月數(shù)據(jù)AA=683 612 490 468 474 581 987 1420 2141 2885 2999 2785 2117 2279 2665 2636 2693 2622 2235 1315 1604 1454 1209 918 %六月2號周一 709 546 462 4

46、65 463 574 937 1159 2110 2983 3203 2820 2065 2445 2755 2968 2985 2845 2366 1665 1954 1893 1514 1137 %六月3號 周二 866 681 516 482 474 567 841 1187 2436 2927 2705 2928 2303 2480 2840 2990 2895 2896 2415 1631 1821 1718 1268 893 %六月4號周三 642 507 435 385 423 495 782 1023 1900 2883 3179 2956 1933 2249 2785 301

47、3 2891 3171 2486 1592 1870 1703 1290 922 %六月5號周四 607 535 446 409 438 512 834 966 1801 2566 2991 2717 1948 2273 2830 3290 2986 3147 2651 1868 2005 1814 1349 936 %六月6號周五 687 567 521 446 483 566 1009 1520 2198 2762 2926 2687 2067 2239 2713 2705 2521 2505 2136 1306 1649 1490 1212 976 %六月9號周一 711 572 463

48、 449 435 563 826 1136 2129 2959 3239 2811 2052 2379 2685 3089 2953 2745 2376 1615 1841 1795 1457 1078 %六月10號周二 811 666 473 451 459 583 946 1273 2474 2915 2803 2803 2210 2438 2783 3029 2964 2926 2379 1609 1898 1724 1252 919 %六月11號周三 683 549 427 375 454 509 720 1005 1874 2685 3202 2970 1937 2211 2797

49、3054 3038 3104 2481 1772 1966 1753 1363 904 %六月12號周四 652 509 482 427 459 527 793 1085 1865 2616 3039 2772 1971 2355 2947 3261 3045 3279 2749 1966 2151 1790 1417 954 %六月13號周五 702 588 540 525 514 633 1014 1511 2267 2989 3082 2881 2152 2332 2751 2758 2751 2759 2319 1515 1614 1574 1339 973 %六月16號周一 758

50、595 493 493 480 598 922 1210 2069 2864 3124 2721 1989 2371 2712 2859 2849 2673 2274 1586 1809 1733 1443 1069 %六月17號周二 798 676 520 467 465 564 924 1254 2319 2943 2804 2823 1921 1452 1768 2510 2732 2603 2007 1701 1850 1826 1342 983 %六月18號周三 746 561 511 416 502 542 900 1010 1866 2763 3246 2942 1922 215

51、4 2808 3185 3035 3211 2684 1872 2047 1883 1518 991 %六月19號周四 725 543 529 504 533 623 915 1132 1966 2637 3069 2786 1993 2336 3000 3384 3136 3366 2904 2036 2170 1861 1423 1021 %六月20號周五 822 709 587 597 566 771 1113 1462 2430 2928 3098 2762 2043 2002 2591 2727 2703 2684 2280 1498 1669 1622 1296 969 %六月23

52、號周一 746 601 511 520 491 708 1007 1268 2110 2862 3166 2774 2020 2432 2803 2971 2906 2814 2354 1696 1912 1876 1504 1157 %六月24號周二 908 724 528 509 478 580 868 1134 2525 3047 2804 2849 2278 2410 2788 3027 2877 2940 2415 1662 1825 1651 1267 944 %六月25號周三 695 545 449 372 468 535 774 1036 1902 2962 3052 2627

53、 1692 2004 2658 3065 3000 3161 2578 1792 2001 1490 1185 903 %六月26號周四 713 524 488 422 473 462 840 1027 1772 2647 2943 2730 2018 2308 2897 3282 3032 3242 2697 1931 2037 1686 1304 975 %六月27號周五 723 577 481 475 515 595 1054 1445 2188 2741 2955 2720 2094 2270 2739 2730 2642 2657 2222 1416 1504 1450 1225 9

54、19 %六月30號周一 615 494 459 404 496 428 628 1426 1861 1608 2284 2225 1904 2304 2870 3230 2856 3358 2574 1802 1979 1663 1235 859 %八月1號周五 690 592 498 467 486 525 972 1408 2101 2717 2839 2666 2152 2210 2546 2521 2519 2482 2239 1365 1511 1382 1178 891 %八月4號周一 674 487 540 459 413 244 787 1172 2075 2887 3209

55、2809 2001 2401 2580 2737 2777 2584 2500 1735 1890 1857 1517 1119 %八月5號周二 905 753 546 511 513 537 887 1176 2313 2983 2705 2925 2294 2442 2904 2901 3083 2869 2500 1737 1987 1817 1394 983 %八月6號周三 759 577 550 419 517 483 792 1014 1915 2942 3315 3119 2039 2263 2836 3066 3088 3181 2610 1825 2019 1859 1421

56、 950 %八月7號周四 713 510 503 498 497 587 844 1036 1922 2652 3136 2819 2040 2394 2982 3450 3116 3367 2753 1919 2122 1742 1404 994 %八月8號周五 745 627 548 251 545 587 1076 1546 2259 2856 3074 2853 2224 2301 2702 2749 2684 2665 2211 1410 1631 1528 1259 949 %八月11號周一 721 617 503 517 522 596 937 1191 2080 2989 3273 2897