[發明專利]一種基于SVM算法對短時交通路況預測的方法

在審

• 申請號: 201710433951.1
• 申請日: 2017-06-09
• 公開（公告）號: CN107170234A
• 公開（公告）日: 2017-09-15
• 發明（設計）人: 吳建龍;史柯
• 申請（專利權）人: 東方網力科技股份有限公司
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06Q10/04
• 代理公司: 北京金智普華知識產權代理有限公司11401
• 代理人: 巴曉艷

技術領域

本發明屬于智能交通技術領域，具體涉及一種基于SVM算法對短時交通路況預測的方法。

背景技術

道路交通系統是一個眾多人參與、實時變化、復雜的非線性系統，具有高度的不確定性，和隨機性。這些因素都給交通預測帶來了困難，尤其是短時交通預測受隨機干擾因素如交通事故、道路施工、突發事件、天氣變化等影響更大，不確定性更大規律性更加不明顯。交通流具有高度的復雜性、非線性和不確定性，因此以經典的數學方法為基礎建立的交通路況預測模型，其預測精度難以很好地滿足智能交通系統中實時交通控制誘導的需求。隨著交通預測領域研究的深入，各種方法大體可分為兩類：一類是以數理統計等傳統數學為基礎的預測方法；另一類是不追求嚴格的數學推導，更重視對真實交通現象擬合效果的預測模型。第一類包括時間序列模型，卡爾曼濾波模型，參數回歸模型等；第二類則包括非參數回歸模型，基于小波理論的方法，神經網絡模型等。

西南交通大學計算機與通信工程學院的李存軍、楊儒貴、張家樹于2003年在計算機應用刊物上發表了論文《基于小波分析的交通流量預測方法》。論文中為了更準確地預測動態變化的交通流量，提出了在小波分析的基礎上利用離散卡爾曼濾波進行預測的方法，這種方法可用于動態數據預測的不同領域，如網絡流量的預測，經濟信息的預測以及其它非線性系統的預測。實驗表明，這種方法可以有效地減小數據預測的誤差。西南科技大學信息工程學院的申慧、劉知貴、李春菊于2008年在西南科技大學學報上發表了論文《基于BP神經網絡的交通流量預測設計》。論文中以交通流量控制為目標，在交通流量特性的研究基礎上，建立了基于BP神經網絡的交通流量預測模型，并以某三岔口路段為例進行驗證，根據相鄰兩路段的交通流量和天氣狀況作為輸入建模，結果表明預測系統能夠比較準確地預測另一路段的交通流量。中國科學院自動化研究所的宮曉燕、湯淑明于2003年在中國公路學報上發表了論文《基于非參數回歸的短時交通流量預測與事件檢測綜合算法》。論文中非參數回歸的交通流預測主要根據歷史流量數據哭的建立，將實時觀察數據通過K近鄰搜索算法與歷史數據進行匹配，在加權平均得到最終預測結果。該方法無需訓練，方便移植，預測誤差較小。

現有針對交通預測的方法眾多，各有優勢和劣勢：時間序列模型在大量不間斷數據基礎上精度較高，但參數估計復雜，參數不能移植，實際應用中會因為數據遺漏問題導致預測精度降低，且依賴大量歷史數據，成本很高。卡爾曼濾波法的預測精度隨預測時間間隔的變化不大，但每次計算均需調整權值，計算較為復雜，難以用時實時在線預測，輸出結果會延遲幾個時間段。非參數回歸不需要先驗知識，只需歷史數據，通過尋找歷史數據中與當前點相似的近鄰，用得到的近鄰預測下一時刻結果。該方法使用方便，誤差分布情況良好，但在大量歷史數據中搜索近鄰的復雜度可能會影響預測結果輸出的時效性。神經網絡憑借其逼近任意非線性函數的能力和所具有的容錯、自學習等優勢，已被國內外很多學者用于建立交通流量預測模型，并取得了不少研究成果。由于神經網絡是一種依賴經驗的啟發式技術，他的學習過程采用經驗風險最小化原則，在小樣本情況下，容易出現過擬合現象導致泛化能力低下。同時神經網絡算法復雜性受網絡結構復雜性和樣本復雜性的影響較大。這些不足，使神經網絡模型在交通流預測中的應用效果不如期望的那么好，對于非平穩的短時交通流，當輸入數據混有噪聲時，神經網絡預測精度會更差。

故基于以上不同方法的分析，和智能交通系統中的實際應用場景，確定選用基于支持向量機的非線性回歸方法來進行短時交通路況預測。而基于支持向量機的非線性回歸預測有嚴格的理論和數學基礎，基于結構風險最小化原則,泛化能力優于神經網絡等，算法具有全局最優性。該方法的主體思想是根據一些訓練樣本，尋找一個最優的函數，使得函數對輸入X的估計Y'與實際輸出Y之間的期望風險(可以暫時理解為誤差)最小化。

發明內容

為了解決上述問題，本發明提供一種基于SVM算法對短時交通路況預測的方法，所述方法通過SVM的非線性回歸進行預測路況值，根據之前鄰近時段的路況值去訓練SVM模型，進而預測下個時段的路況值，并根據路況值轉化為擁堵等級完成短時各道路交通擁堵狀況的預測；

進一步地，所述方法包括：

S1：選擇核函數，確定SVM參數，在得到鄰近時段的路況值的數據集后，選擇高斯核函數作為核函數，所述SVM參數包含寬度參數δ、二次規劃的優化參數ε和C；

S2:輸入鄰近時段的路況值數據集作為樣本，生成預測函數；

S3:根據預測結果進行評價分析后輸出結果；