基于支持向量機的快速路小時交通量預測本科畢業(yè)設計

五邑大學本科畢業(yè)設計I基于支持向量機的快速路小時交通量預測摘要快速路交通量具有復雜性和不確定性，對交通量的準確預測是實現(xiàn)智能交通誘導和控制的基礎(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，時變性和隨機性，提出將支持向量機回歸算法應用到快速路小時交通量預測中。根據(jù)我國交通情況，利用廣州某快速路小時交通量數(shù)據(jù)，進行快速路小時交通量預測。仿真研究結(jié)果表明，支持向量機泛化能力好，學習速度快，在快速路小時交通量預測中起著重要作用。關(guān)鍵詞：小時交通量；交通量預測；支持向量機回歸；仿真研究PAGEPAGEIIIAbstractExpresswaytrafficflowhasthecomplexityanduncertainty,theaccuratetrafficflowforecastingisthefoundationtorealizeintelligenttrafficguidancetocontrol.Intelligenttransportationcansolvetrafficcongestion,reducetrafficaccidents,reducetherealisticproblemssuchasairpollution,isthedirectionofourcountryroadtrafficdevelopment.Theexpresswaytrafficflowisnonlinear,time-varyingandrandomness,thesupportvectormachine(SVM)regressionalgorithmwasappliedtoexpresswayhoursintrafficflowprediction.Accordingtothetrafficsituationinourcountry,usetheoneofGuangzhou’sexpresswaystrafficflowdatatoforecastanhourexpresswaytrafficflow.Simulationresultsshowthatthegeneralizationandlearningabilityofsupportvectormachine(SVM)iswell,hoursinexpresswaytrafficflowforecastingplaysanimportantrole.Keywords:hourlytrafficvolume;trafficflowforecasting;supportvectormachineregression;simulationresearch

目錄TOC\o"1-3"\h\u摘要 IAbstract II第1章緒論 11.1課題背景 11.2研究目的和意義 21.3國內(nèi)外文獻綜述 21.4本論文主要內(nèi)容 3第2章支持向量機理論 52.1支持向量機概述 52.2支持向量機回歸及其類型 92.3本章小結(jié) 9第3章交通流參數(shù)及預測方法 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交通流預測的方法 113.3.1交通狀態(tài)預測概述 113.3.2交通量短時預測方法 123.4本章小結(jié) 13第4章基于支持向量機的小時交通流預測 144.1概述 144.2支持向量機回歸的交通信息預測 144.3支持向量機的交通信息預測的具體步驟 154.4本章小結(jié) 16第5章仿真研究 175.1交通流量預測 175.2本章小結(jié) 30結(jié)論 31參考文獻 32致謝 33PAGE34第1章緒論1.1課題背景城市交通系統(tǒng)是城市經(jīng)濟社會活動的基礎(chǔ)設施，城市化的發(fā)展和汽車數(shù)量的增加導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)了日趨嚴重的交通道路堵塞，嚴重的環(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，能源消耗量加倍增大，還嚴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)境負荷，造成嚴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?？焖俾纷鳛楝F(xiàn)代化交通的標志設施，具有高效、快速、舒適和安全等優(yōu)勢，對促進社會經(jīng)濟發(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)濟的發(fā)展，城市化進程的加快，快速路的交通流量也迅速增加?？焖俾分饾u出現(xiàn)了嚴重的交通擁堵的現(xiàn)象，導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)代化進程。隨著機動車數(shù)量不斷地增加，交通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。在不斷擴建和完善的快速路交通網(wǎng)絡的基礎(chǔ)上，提高快速路交通網(wǎng)絡的現(xiàn)代化管理水平，改造現(xiàn)有的道路運輸通行系統(tǒng)，從而提高快速路的通行能力和服務質(zhì)量。交通控制與誘導是智能交通系統(tǒng)的重要組成部分之一，交通狀態(tài)的小時交通流量預測是交通控制與誘導的基礎(chǔ)。目前的預測方法主要有統(tǒng)計回歸法、狀態(tài)估計法、神經(jīng)網(wǎng)絡法、時間序列法、動態(tài)交通分配及交通模擬法等，尤其以神經(jīng)網(wǎng)絡為代表的這種新型人工智能方法。快速路道路交通系統(tǒng)是非線性、時變、不穩(wěn)定、帶有隨機性的系統(tǒng)，受到的影響因素很多。神經(jīng)網(wǎng)絡具有較強的自適應能力，可以根據(jù)歷史數(shù)據(jù)學習訓練，但是神經(jīng)網(wǎng)絡會出現(xiàn)求得局部極小解的問題和過學習問題。支持向量機以結(jié)構(gòu)風險最小化為目標，其具有結(jié)構(gòu)簡單、全局最優(yōu)、小樣本推廣能力強的優(yōu)勢，能很好地解決非線性、高維數(shù)、小樣本和局部極小點等問題，克服了神經(jīng)網(wǎng)絡的缺陷，成為機器學習界新的研究熱點，已有將其應用于交通流量時間序列預測中。本課題針對快速路交通流量非線性時變的特性，應用歷史交通流量數(shù)據(jù)，提出基于支持向量機的快速路小時交通量預測方法，預測未來交通流量數(shù)據(jù)，然后根據(jù)預測結(jié)果進行科學的交通誘導、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)此進行下一時段的交通流量預測，為下一時段的交通流控制和誘導做好基礎(chǔ)。準確的預測結(jié)果可以為出行者提供最佳的交通出行路線，科學合理地引導交通出行，減少出行者的時間浪費，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，對交通流量準確、及時的預測對于實現(xiàn)交通流誘導與控制十分關(guān)鍵。目前對小時交通流量預測的方法接近30種，基本可劃分為兩類：其一是基于確定的數(shù)學模型的交通信息預測方法，其二是基于知識的智能模型的交通信息預測方法。數(shù)學模型預測方法以數(shù)學模型理論為基礎(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)絡預測模型為代表，BP神經(jīng)網(wǎng)絡能在有錯誤數(shù)據(jù)的情況下利用結(jié)構(gòu)本身的特性做出準確的預測，但是利用BP神經(jīng)網(wǎng)絡過分強調(diào)學習而出現(xiàn)過擬合現(xiàn)象，使模型的泛化能力得不到充分發(fā)揮，同時還會出現(xiàn)，欠學習，局部極小點問題。支持向量機回歸預測方法采用結(jié)構(gòu)風險最小化，可以避免神經(jīng)網(wǎng)絡的一些缺陷，在解決小樣本數(shù)據(jù)、非線性問題以及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回歸預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和時間浪費有著深遠的影響，這可使城市快速路健康快速發(fā)展，為國家的經(jīng)濟高速發(fā)展和人們生活水平的提高貢獻更大的力量。1.3國內(nèi)外文獻綜述由于交通流量變化發(fā)展迅速，并且隨機性和不確定性強，規(guī)律不明顯，導致快速路交通擁堵問題日益明顯，智能交通系統(tǒng)越來越受到專家學者們的重視，而交通流量預測對交通控制和誘導起著至關(guān)重要的作用。所以，近年來專家學者們開始著力于研究小時交通流量的預測，并取得了重大的成果。文獻1主要介紹了道路網(wǎng)短時交通流量預測的基本理論、方法和應用方向。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測方法。文獻2主要介紹了目前國內(nèi)外智能交通系統(tǒng)的研究情況，講述了交通流量預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測模型和方法。文獻3詳細地介紹了支持向量回歸算法運用于短時交通量預測的具體做法，從支持向量回歸機的選取到交通狀態(tài)短時預測的方法，再到如何構(gòu)建預測模型，最后進行仿真分析。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)，對支持向量回歸機進行訓練。運用已訓練的支持向量回歸機預測下一時段或者周期的交通流量。文獻4介紹了智能交通的特點和優(yōu)勢，由此引申出利用支持向量機來處理短時交通流量預測的問題。文章中通過實際的案例分析，闡述了支持向量機在交通系統(tǒng)運用中具有可行性和有效性。文獻5主要分為兩個部分，第一部分介紹了支持向量機的基本知識，讓讀者明白支持向量機的理論思想。第二部分主要介紹如何通過MATLAB軟件來編寫程序來實現(xiàn)支持向量機的思想，如實現(xiàn)支持向量機分類算法。通過閱讀這篇文章，能學習到基本的MATLAB語言編寫的過程。文獻6介紹了支持向量機主要有兩大功能：支持向量的分類和支持向量機的回歸。文獻7介紹了短時交通預測的基本原理、預測模型的特性，主要介紹了對其建模的理論基礎(chǔ)，特點，可行性進行有效地分析，最后對比和評價各類預測模型。文獻8在總結(jié)了預測模型的基礎(chǔ)上，將基于支持向量機的小時交通流量預測模型的仿真結(jié)果與基于BP神經(jīng)網(wǎng)絡的交通流量預測模型仿真結(jié)果進行對比，發(fā)現(xiàn)在預測精度，泛化能力，收斂時間，最優(yōu)性方面等方面，基于支持向量機的小時交通流量預測方面更勝一籌。文獻9支持向量機通過核函數(shù)工作在特征空間中，原問題能在特征空間中獲得線性性能，從而便于解決問題。文獻10本文介紹了通過支持向量機和BP神經(jīng)網(wǎng)絡進行比較，證明支持向量機在交通量預測的可行性。通過比較可知，支持向量機預測交通流量的方法避免出現(xiàn)過學習和欠學習的現(xiàn)象，而且具有很好的推廣能力，比BP神經(jīng)網(wǎng)絡具有更高的預測精度和魯棒性。1.4本論文主要內(nèi)容全文一共分為五章，每章主要內(nèi)容的安排如下：第1章緒論。介紹本文研究交通流量預測的背景知識，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章支持向量機理論。本章節(jié)主要介紹了什么是支持向量機，支持向量機的回歸類型有哪些，支持向量機核函數(shù)有哪些和他們各自的特點。第3章交通流參數(shù)及預測方法。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，以及簡要介紹交通流量短時預測的方法。第4章基于支持向量機的小時交通流量的預測。本章介紹了支持向量機回歸的交通信息預測方法的知識，實現(xiàn)訓練樣本的非線性回歸和預測的具體步驟。第5章仿真研究。利用樣本數(shù)據(jù)使用MATLAB進行編程，然后進行仿真研究，得出交通流量預測結(jié)果，把預測結(jié)果與實際交通流量進行對比評價，計算出相對誤差。

第2章支持向量機理論2.1支持向量機概述機器學習是計算機科學和人工智能中重要的研究方向。機器學習從眾多學科中吸收成果和概念，通過經(jīng)驗改動計算機算法并理解問題的背景、算法和算法中的假定?，F(xiàn)代智能技術(shù)的重要方向是基于數(shù)據(jù)的機器學習，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)進行預測，最后根據(jù)預測結(jié)果進行科學合理的判斷，指導人們正確地進行生產(chǎn)和生活。支持向量機是新興的機器學習方法之一，面對小樣本數(shù)據(jù)時，支持向量機能找出最優(yōu)的解決方案，使泛化能力達到最優(yōu)。目前，統(tǒng)計學習理論是對于小樣本情況研究學習規(guī)律和預測的最佳理論。支持向量機的理論基礎(chǔ)是統(tǒng)計學習理論，最初于20世紀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)災難問題”、“小樣本”、“過學習問題”等的重要方法，在人臉檢測，手寫體數(shù)字識別、語音識別等方面都有重大的應用。支持向量機最初為了解決分類問題，其目標是結(jié)構(gòu)風險最小化，結(jié)構(gòu)風險在經(jīng)驗風險和置信范圍中選擇一個折衷，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雜度，所以就能達到避免維數(shù)災害的目的。支持向量機的結(jié)構(gòu)與神經(jīng)網(wǎng)絡相似，中間的每個節(jié)點對應每一個支持向量，輸出的結(jié)果是中間節(jié)點的線性組合，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)分類線就是要將兩類樣本分開，并且使分類的間隔達到最大。面對線性回歸問題，先對分類線進行標準化處理，使得對線性可分的訓練樣本集滿足下面不等式：(2.1)上式中，，，。訓練樣本可分，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。使分類的間隔達到最大就是提高泛化能力，這是SVM的核心思想之一。設線性函數(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)如果訓練集中有不滿足線性可分的樣本點，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)化為二次規(guī)劃問題，構(gòu)造Lagrange方程：（2.7）上式中，，，，，對參數(shù),,和的偏導都為零，即為（2.8）及對偶優(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）在不敏感范圍內(nèi)，所有樣本對應的都為零，而外部點則有或者，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，進一步得到：（2.14）最后得到：（2.15）2.2支持向量機回歸及其類型支持向量機回歸是支持向量機在預測、估計方面的應用。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)。在確定支持向量機回歸的類型、核函數(shù)、損失函數(shù)以及選取相應的參數(shù)后，就可利用支持向量機回歸的算法，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，支持向量機回歸的類型主要有-支持向量機回歸、-支持向量機回歸和最小二乘支持向量機回歸等。在支持向量機中，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)，。當時，為非齊次多項式核函數(shù),當時，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。ε-支持向量機回歸、ν-支持向量機回歸所選的損失函數(shù)都是ε-不敏感損失函數(shù)，這個定義是當觀測值和預測值之差不超過實現(xiàn)給定的ε時，則認為這時的預測值是無損失的。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的基本理論,常用的核函數(shù)以及回歸估計類型。支持向量機是基于統(tǒng)計學習理論，屬于機器學習方法在計算機科學和人工智能中的研究領(lǐng)域，是用最優(yōu)化方法解決機器學習問題的工具。支持向量機通過構(gòu)造最優(yōu)超平面，根據(jù)結(jié)構(gòu)風險最小化，在確保分類精度的基礎(chǔ)上，使學習機器的VC維盡可能降低，從而縮小執(zhí)行范圍。

第3章交通流參數(shù)及預測方法3.1交通流基本參數(shù)通過對交通流量的實時誘導和控制是智能交通系統(tǒng)研究的根本目的，正確、及時地分配交通流量，從而緩解道路擁堵的情況，使交通網(wǎng)絡暢通，高效。因此，如何對交通流量做出正確準確及時的預測，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行狀態(tài)的定性，定量特征。交通流量的預測實際就是對交通流基本參數(shù)的預測，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)車輛間的運行狀態(tài)特性，其中有車頭間距與車頭時距。一般情況下，主要選擇流量、速度和密度來反映交通流量的運行狀態(tài)。流量，是指在單位時間內(nèi)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，為交通量的誘導和控制提供數(shù)據(jù)參考。速度，是指車輛在單位時間內(nèi)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，其中包括地點速度、行程速度、行駛速度、臨界速度和設計速度。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，應用在劃分道路服務水平等方面。3.2交通流量數(shù)據(jù)的采集和特性交通流量是無時無刻都在變化的，因此如何獲取準確的實時交通流量信息對下一時段或周期的交通流量預測十分重要。當前交通流量數(shù)據(jù)是預測的依據(jù)，所以交通流量數(shù)據(jù)的采集是交通流量預測的第一步。隨著交通科技水平的發(fā)展，各種交通信息數(shù)據(jù)采集設備和技術(shù)應運而生。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)以及移動型采集技術(shù)等。固定型采集技術(shù)主要是指運用安裝在固定地點的交通檢測設備對來往的車輛進行采集交通流量信息的方法，這些設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，但是因為只能檢測安裝設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)是指用安裝有檢測設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，然后按照標準車型換算表換算成當前交通流量。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)內(nèi)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，導致原能最有效的疏導交通的時間增長，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雜的網(wǎng)絡，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，而是其內(nèi)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，隨機時變不確定性等特性，呈現(xiàn)出一個錯中復雜的交通網(wǎng)絡，為交通流預測帶來巨大的障礙和困難。因此，交通流的預測方法是世界研究的重要課題之一。3.3交通流預測的方法3.3.1交通狀態(tài)預測概述預測是對客觀事物的未來發(fā)展狀態(tài)和變化趨勢進行的分析推測，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，應用科學知識和手段從已經(jīng)掌握的歷史資料數(shù)據(jù)中進行推斷。如今，預測已經(jīng)運用到各種領(lǐng)域，如：經(jīng)濟預測、社會預測、技術(shù)預測等領(lǐng)域。按照預測的性質(zhì)，可以分為定性預測和定量預測：定性預測是以主觀認識經(jīng)驗和邏輯判斷為主，對事物未來的發(fā)展趨勢和發(fā)展狀況進行推測判斷。定性預測一般應用于缺乏歷史資料的事件，更多的是根據(jù)專家經(jīng)驗進行預測。定量預測是指根據(jù)準確、及時、全面的調(diào)查統(tǒng)計資料，運用統(tǒng)計方法和數(shù)學模型，對事物發(fā)展前景的水平、規(guī)模做出預測。定量預測和統(tǒng)計的數(shù)據(jù)資料，資料有密切關(guān)系，所以也稱為統(tǒng)計預測。常用方法有回歸法、時間序列法等。交通流量預測屬于社會預測的范疇，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)進行實時動態(tài)管理和控制，為市民交通出行信息服務。準確的道路交通信息預測，對進行科學合理的交通誘導和控制，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雜巨系統(tǒng)，道路狀態(tài)預測難度很大。要發(fā)揮智能交通誘導與控制的作用，就必須做好交通流量的預測工作。交通流量預測是基于動態(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，交通流量預測實質(zhì)上是對這些交通流量的參數(shù)進行預測。典型的交通流量狀態(tài)預測以統(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，無法實時反應交通流量的時間變化特性，在沒有準確實時的要求下，可以取得較好的效果。時間序列法相比前者計算簡便，易于實時進行更新，便于應用。隨著道路交通流量的隨機性和非線性更強，后來就出現(xiàn)了支持向量機、神經(jīng)網(wǎng)絡、模糊理論、混沌理論和元胞自動機等非線性系統(tǒng)理論為基礎(chǔ)的非線性預測模型。交通流量預測要解決的是從具有隨機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)進行數(shù)據(jù)研究分析，找出內(nèi)在規(guī)律并建立預測模型和方法，以此來預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)預測模型和方法交通流量狀態(tài)預測圖3-1小時交通流量預測流程根據(jù)上述交通流量預測的概念，建立的預測模型應該符合如下的要求：1、實時性和準確性。預測模型要具備快速計算能力，且交通流量預測結(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，能及時反饋到計算模型中進行調(diào)整。3、可靠性。交通流量預測受到的影響因素多種多樣，例如天氣的變化，道路施工，交通事故等，因此模型應具有很好的抗干擾能力以及可以通過改變參數(shù)來適應時間和空間的變化。3.3.2交通量短時預測方法交通優(yōu)化和交通管理和控制的基礎(chǔ)不能缺少交通流的預測研究，預測的信息是依據(jù)小時、日、月、季度、年為單位進行統(tǒng)計數(shù)據(jù)，也可能根據(jù)當前時段或者周期來預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測非常重要，關(guān)系到交通誘導和控制的正常進行。迄今為止，已有很多理論和方法應用于短時短時交通流量預測領(lǐng)域，有基于線性系統(tǒng)理論的預測方法、基于知識發(fā)現(xiàn)的智能模型的預測方法、基于非線性系統(tǒng)理論的預測方法、基于組合模型的預測方法、基于交通模擬的預測方法等。上述的交通流預測的模型和方法，各有缺點?；诰€性系統(tǒng)理論的預測方法計算復雜性低，操作簡單，但對于路況復雜的交通系統(tǒng)則不能滿足預測結(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，但計算復雜，理論有待深入?；谥R發(fā)現(xiàn)的智能模型有很強的數(shù)據(jù)處理能力，預測結(jié)果令人滿意，但計算復雜性高，參數(shù)選擇困難。基于組合模型的預測方法能結(jié)合各種模型的優(yōu)點，如組合方法不當，預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范圍和條件。對于某種特定的情形，預測結(jié)果能獲得令人滿意的結(jié)果，而在其他環(huán)境下，預測的結(jié)果卻差強人意。所以，對于各種環(huán)境下的交通流預測，應該是多種方法，相互協(xié)調(diào)補充的過程。短時交通流預測與其他的預測應用不同，提出了更高的要求，短時交通流預測是在線、實時完成的。一方面，短時交通量預測是為交通誘導和控制提供依據(jù)，所以預測模型必須在短時間內(nèi)完成復雜的計算，保證及時對下一時段的交通量進行估計，否則預測結(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，要從預測系統(tǒng)中獲取大量的數(shù)據(jù)中作出準確性評價，作出科學準確的預測。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，進行了簡要的敘述，了解到交通流具有時空特性，隨機性，不確定性，不可預知性等特性，充分說明交通網(wǎng)絡是一個復雜且時變的網(wǎng)絡。接著對交通預測的概念進行了說明，對眾多的交通流量預測方法進行分類，提出了交通預測模型應具備的要求。最后提出了交通狀態(tài)短時預測的方法，交通短時預測方法具有實時性、準確性、可靠性等特性，對交通管理和控制有指導的效果，是智能交通的關(guān)鍵技術(shù)之一。

第4章基于支持向量機的小時交通流預測4.1概述第2章所提及的機器學習在交通流預測中主要是回歸預測問題，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)進行預測，然后掌握交通流量的變化規(guī)律，根據(jù)規(guī)律采取相應的措施，實行交通誘導和控制。支持向量機和神經(jīng)網(wǎng)絡是眾多新算法研究中的熱點，都屬于機器學習方法的范疇。神經(jīng)網(wǎng)絡具有逼近任意非線性函數(shù)，容錯和自學習的優(yōu)勢，具有強大的并行處理能力，學習能力和自適應能力。但是，神經(jīng)網(wǎng)絡的學習過程過分依賴經(jīng)驗風險最小化原則，在小樣本數(shù)據(jù)的學習過程中容易出現(xiàn)過學習現(xiàn)象，以致于泛化能力低下。此外，神經(jīng)網(wǎng)絡算法容易受到網(wǎng)絡結(jié)構(gòu)復雜性和樣本復雜性的影響，容易陷入局部極小點和出現(xiàn)“維數(shù)災害”問題?；谥С窒蛄繖C預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積運算。根據(jù)算法的不同，用于預測交通量的有-支持向量機、-支持向量機和最小二乘支持向量機（LS-SVM）等。4.2支持向量機回歸的交通信息預測基于支持向量機的預測方法，核心在于利用支持向量機回歸的思路。小時交通流量的支持向量機回歸預測方法，是支持向量機回歸理論在短時交通流預測中的一種應用，在交通狀態(tài)隨機的變化過程中，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)訓練支持向量機，尋找出輸入與輸出之間的規(guī)律，建立支持向量機回歸預測模型，以預測下一個時段或者周期的交通流量。應用支持向量機預測交通流，先用歷史數(shù)據(jù)來訓練支持向量機，從而得到輸入與輸出之間的相互依賴關(guān)系，那么預測時就能給定相應的輸入就能得到交通流預測結(jié)果。假設給定訓練數(shù)據(jù)樣本{(x1,y1),…,(xl,yl)}Rn×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積運算，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?shù)谋平瘮?shù)使最?。海?.3）式中：為線性權(quán)值向量；是第個輸入,是對應的期望輸出;C是復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）相應的對偶形式為：（4.5）核函數(shù)滿足Mercer條件，代替，，把內(nèi)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)，樣本對應的輸出公式為：（4.7）的計算公式為：（4.8）4.3支持向量機的交通信息預測的具體步驟1、對歷史交通量數(shù)據(jù)進行歸一化處理，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對支持向量機算法的學習能力和推廣能力有很大的影響。懲罰系數(shù)C取值小，訓練誤差就會增大，懲罰系數(shù)取值大，學習精度提高，但模型的泛化能力就變差。因此，選取適當?shù)膽土P系數(shù)C對預測模型很重要，適當?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)控制的是模型的預測能力，取值大時，導致學習精度低，推廣能力下降。取值小時，就會導預測致模型過于復雜，訓練時間變長。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。輸入數(shù)據(jù)集，生成預測函數(shù)。輸入數(shù)據(jù)集，求得Lagrange乘數(shù)和偏置的值，確定預測函數(shù)（4.9）4、預測并進行誤差分析。根據(jù)生成的預測函數(shù)預測未來時段的交通流量信息，并對預測結(jié)果進行誤差評價分析。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回歸的交通量預測的方法，支持向量機能較好地解決“小樣本”、“維數(shù)災害問題”、“過學習問題”、“局部極小點問題”。接著介紹了如何通過訓練數(shù)據(jù)樣本實現(xiàn)非線性回歸，確定支持向量機交通信息預測的具體步驟，包括如何選擇核函數(shù)，確定支持向量機參數(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)基于支持向量機對廣州某快速路小時交通量預測的編程。5.1交通流量預測選取廣州某快速路作為預測對象，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軟件進行數(shù)據(jù)仿真得出預測結(jié)論。本論文先采用周一到周五（工作日）連續(xù)5天的交通流量作為輸入進行預測，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。預測前先對交通流量樣本數(shù)據(jù)進行處理。根據(jù)交通調(diào)查車型分類及車輛折算系數(shù)表5-1進行換算交通流量：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)表對當天每個小時各車型的數(shù)量進行換算后，綜合起來即為當天24小時的交通流量。以1個小時作為交通流量信息預測單位，輸入連續(xù)5天當天該小時的流通量樣本數(shù)，預測未來一天該小時的交通流量信息，得出預測結(jié)果。再以得到的預測結(jié)果與樣本集中的交通流量信息進行誤差評價分析，從而評估建立的基于支持向量機回歸的交通流量預測模型的可行性。預測值的相對誤差計算公式：（5.1）為實際值，預測值。以1小時為單位的交通量預測，用MATLAB語言編制m文件程序進行仿真，則有24個m文件程序，現(xiàn)在摘取第11小時的交通量預測的程序進行展示。全天第11個小時的交通量預測程序如下：clcclearclosealltic;%六月數(shù)據(jù)AA=[6836124904684745819871420214128852999278521172279266526362693262222351315160414541209918%六月2號周一70954646246546357493711592110298332032820206524452755296829852845236616651954189315141137%六月3號周二8666815164824745678411187243629272705292823032480284029902895289624151631182117181268893%六月4號周三6425074353854234957821023190028833179295619332249278530132891317124861592187017031290922%六月5號周四607535446409438512834966180125662991271719482273283032902986314726511868200518141349936%六月6號周五68756752144648356610091520219827622926268720672239271327052521250521361306164914901212976%六月9號周一71157246344943556382611362129295932392811205223792685308929532745237616151841179514571078%六月10號周二8116664734514595839461273247429152803280322102438278330292964292623791609189817241252919%六月11號周三6835494273754545097201005187426853202297019372211279730543038310424811772196617531363904%六月12號周四6525094824274595277931085186526163039277219712355294732613045327927491966215117901417954%六月13號周五70258854052551463310141511226729893082288121522332275127582751275923191515161415741339973%六月16號周一75859549349348059892212102069286431242721198923712712285928492673227415861809173314431069%六月17號周二7986765204674655649241254231929432804282319211452176825102732260320071701185018261342983%六月18號周三7465615114165025429001010186627633246294219222154280831853035321126841872204718831518991%六月19號周四72554352950453362391511321966263730692786199323363000338431363366290420362170186114231021%六月20號周五82270958759756677111131462243029283098276220432002259127272703268422801498166916221296969%六月23號周一746601511520491708100712682110286231662774202024322803297129062814235416961912187615041157%六月24號周二9087245285094785808681134252530472804284922782410278830272877294024151662182516511267944%六月25號周三6955454493724685357741036190229623052262716922004265830653000316125781792200114901185903%六月26號周四7135244884224734628401027177226472943273020182308289732823032324226971931203716861304975%六月27號周五72357748147551559510541445218827412955272020942270273927302642265722221416150414501225919%六月30號周一6154944594044964286281426186116082284222519042304287032302856335825741802197916631235859%八月1號周五6905924984674865259721408210127172839266621522210254625212519248222391365151113821178891%八月4號周一67448754045941324478711722075288732092809200124012580273727772584250017351890185715171119%八月5號周二9057535465115135378871176231329832705292522942442290429013083286925001737198718171394983%八月6號周三7595775504195174837921014191529423315311920392263283630663088318126101825201918591421950%八月7號周四7135105034984975878441036192226523136281920402394298234503116336727531919212217421404994%八月8號周五74562754825154558710761546225928563074285322242301270227492684266522111410163115281259949%八月11號周一72161750351752259693711912080298932732897209825092831303129652885246516821989195015041208%八月12號周二9247936065325315789031274247929752814298122402450290930692999301324441737196317801431992%八月13號周三7406235294435035258241013194128603109305320482318278830242974319226431824209418481403957%八月14號周四714579554450491513821934181125162935265419042304287032302856335825741820218218611330968%八月15號周五7426105154494814599361413217427202787251520362225259825702428266120411349171415781270932%八月18號周一74059351350948347773311092058287930992705191523672741290027792785222016392007189415101120%八月19號周二8637015125224974576561095227728142540282121982417282329202766291222721633197319071319970%八月20號周三741547484431474488570855180527833131286119342178277829832885320124531722209718541397914%八月21號周四695526495410506428616934181125162935265419042304287032302856335825741820218218611330968%八月22號周五7426105154494814599361413217427202787251520362225259825702428266120411349171415781270932%八月25號周一74059351350948347773311092107289932062714208125272789300329712806245216471900192415531169%八月26號周二8927405535124854928651065238828892556283222872526285930312817286524361681164019071319970%八月27號周三741547484431474488570855180527833131286119342178277829832885320124531722209718541397914%八月28號周四695526495410506428616934181125162935265419042304287032302856335825741820218218611330968];%八月29號周五error=zeros(6,1);%forv=1:1:24v=11;d7=AA(1:36,v)';d8=(1/3400)*d7;N=length(d8);d2=d8;ws=5;p=5;d3=zeros(32,5);fori=1:36-ws+1d3(i,:)=d2(i:i+ws-1);endfirst=d2(36-ws+1:36);eee=0.7;h=1;fori=1:36-wsifsqrt((first-d3(i,:))*(first-d3(i,:))')<eeex(h,:)=d3(i,:);y(h)=d2(i+ws);h=h+1;endendy=y(1:h-1);%每次對y重新賦值n=length(y);e=0.03;c1=e-y;c2=e+y;c=c1;c(n+1:2*n)=c2;f1=c';f=f1;fori=1:nforj=1:nd(i,j)=exp(-(x(i,:)-x(j,:))*(x(i,:)-x(j,:))'/1.5);endendd=d(1:n,1:n);%每次對d重新賦值H=d;H(1:n,n+1:2*n)=-d;H(n+1:2*n,1:n)=-d;H(n+1:2*n,n+1:2*n)=d;A(1:n)=0;A(n+1:2*n)=0;A=A(1:2*n);b=1;Aeq(1:n)=1;Aeq(n+1:2*n)=-1;Aeq1=Aeq(1:n);Aeq2=Aeq(n+1:2*n);Aeq=[Aeq1,Aeq2];beq=0;q=200;x0(1:2*n)=1;LB1(1:2*n)=0;UB1(1:2*n)=q;LB=LB1';UB=UB1';options=optimset('LargeScale','off','MaxIter',2000);%[Xokhow]=quadprog(H,f',A,b,Aeq,beq,LB,UB);[Xokhow]=quadprog(H,f',A,b,Aeq,beq,LB,UB,x0,options);%X是返回最優(yōu)解；ok是返回解所對應的目標函數(shù)值；how是描述搜索是否收斂；svm=0;fori=1:nifabs(X(i)-X(i+n))<=0.000001X(i)=0;X(i+n)=0;svm=svm+1;endendsvms=n-svm;ddd=0;k=1;fori=1:nifX(i)>0&X(i)<qxx(k,:)=x(i,:);yy(k)=y(i);k=k+1;endendforj=1:k-1dd=0;fori=1:ndd=dd+(X(i)-X(i+n))*exp(-((xx(j,:)-x(i,:))*(xx(j,:)-x(i,:))')/1.5);endddd=ddd+yy(j)-e-dd;endb1=ddd/(k-1);ddd=0;k=1;fori=1:nifX(i+n)>0&X(i+n)<qxx(k,:)=x(i,:);yy(k)=y(i);k=k+1;endendforj=1:k-1dd=0;fori=1:ndd=dd+(X(i)-X(i+n))*exp(-((xx(j,:)-x(i,:))*(xx(j,:)-x(i,:))')/1.5);endddd=ddd+yy(j)+e-dd;endb2=ddd/(k-1);b=(b1+b2)/2;fori=1:h-1ok=0;forj=1:nok=ok+(X(j)-X(j+n))*exp(-((x(i,:)-x(j,:))*(x(i,:)-x(j,:))')/1.5);endbel(i)=ok+b;endforw=37:1:42aa=d8(w-p:w-1);ok=0;fori=1:nok=ok+(X(i)-X(i+n))*exp(-((aa-x(i,:))*(aa-x(i,:))')/1.5);endjie=ok+b;d8(w)=jie;endjie2(1,v)=d8(37)*3400;jie2(2,v)=d8(38)*3400;jie2(3,v)=d8(39)*3400;jie2(4,v)=d8(40)*3400;jie2(5,v)=d8(41)*3400;jie2(6,v)=d8(42)*3400;forw=1:1:6PAE=abs(AA(36+w,v)-ceil(jie2(w,v)))/AA(36+w,v)*100;error(w,1)=PAE;end%enderrorceil(jie2(:,v))使用MATLAB軟件對上述程序進行仿真，就可以得到未來6天第11個小時的交通量預測值。下表5-2為第37天到第42天（共6天）的分別在24個小時的交通量預測值，流量的單位為PCU/1h。表5-2第37天到第42天分別在第1小時到第24小時的交通流量預測值時間段第一天第二天第三天第四天第五天第六天第1小時748752761826768771第2小時561576567637561562第3小時525538543560524543第4小時426445501504432422第5小時490482488492486490第6小時470484464479468481第7小時704840676860479691第8小時907150512351128773843第9小時195522802205238319091854第10小時263726742783275027392705第11小時302128253126264129712962第12小時282427232683267426822696第13小時204320222001210919892052第14小時228922742329233722812301第15小時286127012715274627692851第16小時327327172941289030423225第17小時281127482775277627902787第18小時332926742836287631823291第19小時261722272347223525492572第20小時187913251591163316081898第21小時207016581894183620892007第22小時189716311914189817911904第23小時138512961464134213891420第24小時981975107810269831005根據(jù)上表得到的預測值，與測試集中實際交通流量值進行對比，繪制出5輸入6天預測值與實際值交通量對比圖如下，其中橫坐標為時間段，縱坐標為交通量：圖5-1第一天圖5-2第二天圖5-3第三天圖5-4第四天圖5-5第五天圖5-6第六天從上面的6個圖可以看出，預測值基本與測試集中的實際值相近，基本可以判斷建立的預測模型成功有效。接下來，對預測值與實際值進行誤差評價分析，從數(shù)學分析角度評價此預測模型，使用公式（5.1）進行相對誤差的計算，下表5-3為5輸入模型預測結(jié)果的相對誤差表：表5-35輸入預測值的相對誤差時間段第一天第二天第三天第四天第五天第六天第1小時7.62591.34772.83787.39913.643710.9353第2小時6.65405.57384.384513.91892.55946.8441第3小時6.06064.46605.84801.26588.26459.6970第4小時3.90240.89091.57171.56250.23202.9268第5小時3.16210.20791.03521.44332.53163.1621第6小時9.81315.44662.72542.64234.098412.3832第7小時14.285710.25647.77630.578015.964912.1753第8小時2.89086.511011.36165.91559.59069.7430第9小時7.95144.87584.65120.20945.76182.3744第10小時4.80921.69124.00144.81141.58107.5119第11小時2.93021.36352.49533.32555.11020.9199第12小時6.40548.27041.14225.57916.25661.5825第13小時7.30040.68763.84437.78312.84387.7731第14小時0.65102.20227.83547.48224.72910.1302第15小時0.31363.96462.65333.95240.32400.6620第16小時1.33135.71982.06464.65191.97790.1548第17小時1.575613.17966.59711.45543.29292.4160第18小時0.86360.48851.06910.38390.59361.9952第19小時1.67069.11324.28228.25123.91360.0777第20小時3.24181.77913.40012.85546.62024.2857第21小時5.13293.26720.315811.95120.38158.0202第22小時1.93443.35870.51980.47193.39812.3106第23小時4.13532.04725.73081.74370.57276.7669第24小時1.34304.61377.78445.77327.54923.8223從上表的相對誤差數(shù)據(jù)分析結(jié)果表明，此支持向量機回歸預測模型對交通流量的預測的相對誤差控制在15%以下，說明此預測模型能得到理想的預測效果，為交通流量預測提供了新的思路，為制定交通流量控制方案提供了科學的參考。由此可知，基于支持向量機的交通流量預測是可行的，而且具有較好的現(xiàn)實意義和有效性。用5輸入預測周末的交通流量如表5-4：表5-45輸入周末的流量預測值與誤差預測值預測值的絕對相對誤差時間段第一天第二天第一天第二天第1小時7697643.51320.9079第2小時6676680.14973.7267第3小時5575431.59011.3060第4小時4714521.67011.5251第5小時4634662.20752.8698第6小時4724753.47650.2110第7小時74070510.61291.2605第8小時102610702.39520.0000第9小時166016400.24044.3921第10小時239122580.87065.5633第11小時273526673.67706.3821第12小時267224140.98260.4578第13小時185219320.05400.9231第14小時214222680.18711.7757第15小時281627801.29501.0324第16小時314630340.69440.2313第17小時224825870.57502.1558第18小時306929031.35001.5035第19小時227924151.38470.9840第20小時168816756.53386.2150第21小時204620364.33453.3238第22小時185718510.43271.3136第23小時135414280.51430.6954第24小時100010730.09990.28045輸入周末的實際值與預測值作圖如下：圖5-7第一天圖5-8第二天從表5-4的相對誤差中可以看出，相對誤差控制在11%以下，說明預測模型得到良好的預測效果。5.2本章小結(jié)本章通過交通流量仿真研究實例，從實際交通流量的采集，車流量折算，生成預測結(jié)果，再通過預測值與實際值作圖對比分析和相對誤差進行分析評價，展示了支持向量機回歸預測模型預測交通流量的全過程。從相對誤差分析結(jié)果可以看出，相對誤差控制在15%以下，說明基于支持向量機預測快速路交通流量具有令人滿意的預測效果，對城市交通流量是完全可以預測。

結(jié)論交通道路系統(tǒng)是時變、非線性、高維、非平穩(wěn)、具有隨機性的復雜巨系統(tǒng)，交通狀態(tài)受到人、車、路、環(huán)境等各種因素的影響。目前已存在很多種短時交通流量預測的方法，本文采用基于支持向量機回歸的預測方法，對快速路進行小時交通流量預測，根據(jù)預測結(jié)果應用于智能交通系統(tǒng)中，對未來的交通流量進行科學合理地控制有誘導，從而提高