论文部分内容阅读
智能交通系统(ITS)的成功实施依赖于在交通规划层和管理层运用先进的交通分析工具去实时估计和预测网络交通状况,并分析网络性能。许多ITS子系统,如现今的先进交通管理系统(ATMS)、先进的出行者信息系统(ATIS)、先进的公共交通系统(APTS)、紧急事件管理系统(EMS)等,均依赖于当前和即将出现的大范围内交通状况实时和准确的信息预测。因此,需要不断地研究、开发更为有效的预测方法,以便建立一个实时交通信息预测系统来提供ITS所需要的信息,并帮助评价ITS中各种交通管理方案和信息发布策略的效率与性能。与其它的预测应用不同,短时交通预测是在少量数据条件下在线、实时完成的,对预测的实时性要求较高。由于预测是为交通控制、诱导和其他管理方式提供信息,要求预测必须在规定的最短周期内完成一系列复杂的计算工作,保证及时准确地对下一时刻和周期的交通信息进行准确的估计,否则再准确的预测结果也是无用的。统计学习理论是一种专门研究小样本情况下机器学习规律的理论。支持向量机是在这一理论基础上发展而来的一种新的通用学习方法。它通过结构风险最小化原理来提高泛化能力,它较好地解决了小样本、非线性、高维数、局部极小点等实际问题,已在函数逼近、模式识别、信号处理、金融时间序列分析和预测等领域得到了广泛应用。为此,本文着眼于实时预测方法研究,以简化计算、提高执行效率为研究核心,在精确在线支持向量回归模型(AOSVR)和在线学习方法基础上,提出一种具有在线学习功能的实时交通信息预测模型。为了较好地解决实时性与预测精度之间的矛盾,本文重点研究在不影响预测精度的同时,如何提高预测执行效率的问题。以精确在线支持向量回归算法(AOSVR)为基础,给出一种基于云模型的Sigmoid核函数简化计算方法,建立了基于改进的AOSVR交通信息实时预测模型。通过实时交通信息预测检验,结果表明该模型无论在计算速度还是精确度方面都优于传统的SVM以及AOSVR模型,也证明基于云模型的Sigmoid核函数和其他核函数相比,计算速度更快,更具有鲁棒性,而且计算精度没有明显的损失。