專(zhuān)利名稱(chēng)：基于支持向量機(jī)的道路車(chē)輛行駛速度預(yù)測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于智能交通領(lǐng)域，可以直接應(yīng)用于預(yù)測(cè)某段道路某段時(shí)間內(nèi)車(chē)輛行駛速度。
背景技術(shù)：
這些年，我國(guó)經(jīng)濟(jì)持續(xù)保持高速增長(zhǎng)，人民生活水平大幅提高，城市化程度明顯提高，汽車(chē)消費(fèi)也是與日俱增，城市交通擁堵問(wèn)題變得更加突出和棘手，對(duì)人們的工作和生活產(chǎn)生了極大的影響。這些影響主要表現(xiàn)在以下幾個(gè)方面第一，時(shí)間浪費(fèi)；第二，資源浪費(fèi)；第三，降低突發(fā)事件處理響應(yīng)速度。因此，通過(guò)對(duì)道路車(chē)輛行駛速度進(jìn)行預(yù)測(cè)來(lái)判斷道路擁堵情況就顯得十分重要。同時(shí)，隨著智能交通系統(tǒng)的發(fā)展，智能交通控制和車(chē)輛誘導(dǎo)系統(tǒng)成為智能交通系統(tǒng)研究的核心課題之一，但這些系統(tǒng)得以現(xiàn)的前提和關(guān)鍵是實(shí)時(shí)準(zhǔn)確的道路車(chē)輛行駛速度的預(yù)測(cè)，車(chē)輛行駛速度預(yù)測(cè)的精度將直接關(guān)系到交通控制和車(chē)輛誘導(dǎo)效果，因此車(chē)輛行駛速度時(shí)預(yù)測(cè)越來(lái)越受到重視。在建立交通信息預(yù)測(cè)模型中，神經(jīng)網(wǎng)絡(luò)憑借其逼近任意非線(xiàn)性函數(shù)的能力和所具有的容錯(cuò)、自學(xué)習(xí)等優(yōu)點(diǎn)，已被國(guó)內(nèi)外學(xué)者廣泛應(yīng)用，并取得了不少有效的研究成果。但是，神經(jīng)網(wǎng)絡(luò)是一種依賴(lài)于經(jīng)驗(yàn)的啟發(fā)式技術(shù)，學(xué)習(xí)過(guò)程采用經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則，在小樣本情況下，容易出現(xiàn)過(guò)學(xué)習(xí)現(xiàn)象而導(dǎo)致泛化能力低下；另外，對(duì)于非平穩(wěn)的短時(shí)交通流信息，當(dāng)輸入信號(hào)混有噪聲時(shí)，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的精度比較低。

發(fā)明內(nèi)容
本發(fā)明的目的是克服現(xiàn)有技術(shù)的上述不足提供一種更為準(zhǔn)確和可靠的交通信息預(yù)測(cè)方法。本發(fā)明的技術(shù)方案如下一種基于支持向量機(jī)的道路車(chē)輛行駛速度預(yù)測(cè)方法，包括下列步驟I)采集待預(yù)測(cè)道路的道路速度實(shí)測(cè)數(shù)據(jù)；2)對(duì)所采集到的道路速度實(shí)測(cè)數(shù)據(jù)進(jìn)行歸一化處理，并進(jìn)行分組，得到數(shù)據(jù)集，其中一部分用于訓(xùn)練模型，稱(chēng)為訓(xùn)練樣本集，另一部分用于最終對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià)，稱(chēng)為測(cè)試樣本集；3)選擇徑向基函數(shù)(RBF)作為SVM的核函數(shù)，采用動(dòng)態(tài)調(diào)整法獲得二次規(guī)劃的優(yōu)化參數(shù)；4)利用訓(xùn)練樣本集求得Lagrange乘數(shù)(i = 1,2,...,1)和偏置b,從而確定預(yù)測(cè)函數(shù)/.工:=hd''. V. + b，其中K為徑向基函數(shù)，X是待預(yù)測(cè)的向量數(shù)據(jù)。5)根據(jù)上一步驟生成的預(yù)測(cè)函數(shù)對(duì)道路車(chē)輛行駛速度進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)結(jié)果與 測(cè)試樣本集的數(shù)據(jù)相比較，對(duì)預(yù)測(cè)誤差進(jìn)行評(píng)價(jià)；如果誤差較大，則返回步驟3，重新調(diào)整SVM參數(shù)再進(jìn)行預(yù)測(cè)。本發(fā)明使用的基于支持向量機(jī)理論的交通信息預(yù)測(cè)算法，彌補(bǔ)了當(dāng)前廣泛采用的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法的不足，解決了過(guò)學(xué)習(xí)導(dǎo)致泛化能力低下的問(wèn)題，采用支持向量回歸的方法，既提高了學(xué)習(xí)機(jī)的泛化能力，使得局部最小問(wèn)題不復(fù)存在，又使得在進(jìn)行非平穩(wěn)的短時(shí)交通流信息預(yù)測(cè)，即使輸入信號(hào)混有噪聲，依然可以取得很高的精度。


圖I本發(fā)明的預(yù)測(cè)方法的主要步驟圖示。圖2實(shí)驗(yàn)結(jié)果示意圖，系列I代表實(shí)際道路車(chē)輛速度，系列2代系統(tǒng)預(yù)測(cè)的車(chē)輛速度。圖2縱坐標(biāo)代表車(chē)輛行駛速度，單位為公里/小時(shí)，橫坐標(biāo)代表時(shí)間點(diǎn)，單位為h。
具體實(shí)施例方式本發(fā)明是一種基于支持向量機(jī)(SVM)理論的道路車(chē)輛行駛速度預(yù)測(cè)算法，主要是使用SVM的理論來(lái)準(zhǔn)確的預(yù)測(cè)某段道路在未來(lái)一段時(shí)間內(nèi)的車(chē)輛行駛速度。支持向量機(jī)(SVM)是一種新型的機(jī)器學(xué)習(xí)方法，它具有完備的理論基礎(chǔ)和出色的學(xué)習(xí)性能，其突出特點(diǎn)是根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則(SRM)進(jìn)行學(xué)習(xí)，可以從本質(zhì)上提高學(xué)習(xí)機(jī)的泛化能力，不存在局部最小化問(wèn)題，并且運(yùn)用核函數(shù)巧妙地解決了維數(shù)問(wèn)題。交通信息預(yù)測(cè)是智能交通領(lǐng)域的一個(gè)核心任務(wù)，本發(fā)明提供了一種使用支持向量機(jī)理論的方法來(lái)預(yù)測(cè)交通流，通過(guò)對(duì)歷史交通信息進(jìn)行處理，預(yù)測(cè)一定時(shí)間內(nèi)通過(guò)某一固定路段的車(chē)輛行駛速度，從而判斷道路的擁堵情況，為人們出行和道路預(yù)警決策等提供一個(gè)良好的平臺(tái)。具體實(shí)現(xiàn)是這樣的，如圖I :I)采集待預(yù)測(cè)道路的道路速度實(shí)測(cè)數(shù)據(jù)，2)對(duì)所采集到的道路速度實(shí)測(cè)數(shù)據(jù)進(jìn)行歸一化處理，并進(jìn)行分組，得到數(shù)據(jù)集對(duì)于歷史數(shù)據(jù)I = [D=_，先將其轉(zhuǎn)化成SVM所能處理的格式，然后對(duì)其進(jìn)行歸一
% 一 Uim(X):
化處理^ =最后將數(shù)據(jù)進(jìn)行分組，其中一部分用于訓(xùn)練模型，稱(chēng)為訓(xùn)練樣
本集，另一部分用于最終對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià)，稱(chēng)為測(cè)試樣本集。3)選擇核函數(shù)，確定SVM參數(shù)。得到數(shù)據(jù)集之后，選擇徑向基函數(shù)(RBF)作為SVM的核函數(shù)，同時(shí)確定SVM所需要的參數(shù)C和e。這里，對(duì)優(yōu)化參數(shù)C和e引入動(dòng)態(tài)調(diào)整的思想，即用先驗(yàn)知識(shí)固定第一個(gè)參數(shù)用列舉法來(lái)確定第二個(gè)參數(shù)，然后再固定已優(yōu)化了的參數(shù)來(lái)確定第一個(gè)參數(shù)，最后將優(yōu)化后的兩個(gè)參數(shù)在各自的鄰域內(nèi)驗(yàn)證其最優(yōu)性。 4)輸入數(shù)據(jù)集，生成預(yù)測(cè)函數(shù)輸入樣本集求得Lagrange乘數(shù)Si (i = 1,2,...,1)和偏置b,從而確定預(yù)測(cè)函數(shù)m = 其中K為徑睡_，X是待刪的向量數(shù)據(jù)。
f嫌5)預(yù)測(cè)并進(jìn)行誤分析，如圖2。根據(jù)上一步驟生成的預(yù)測(cè)函數(shù)進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)結(jié)果與測(cè)試樣本集的數(shù)據(jù)相比較，對(duì)預(yù)測(cè)誤差進(jìn)行評(píng)價(jià)；如果誤差較大，則返回步驟3，重新調(diào)整SVM參數(shù)再進(jìn)行預(yù)測(cè)。本發(fā)明將SVM的理論引入到智能交通領(lǐng)域，進(jìn)行道路車(chē)輛速度的預(yù)測(cè)，為交通信息預(yù)測(cè)提供了新的思路。本 發(fā)明的思想在于使用非線(xiàn)性映射把樣本向量從原空間映射到高為特征空間，在此高位特征空間構(gòu)造最優(yōu)決策函數(shù)，利用結(jié)構(gòu)最小化原則，并運(yùn)用核函數(shù)巧妙的解決了維數(shù)問(wèn)題。其核心在于利用了支持向量回歸的思路來(lái)預(yù)測(cè)交通信息。下面結(jié)合實(shí)施例對(duì)本發(fā)明進(jìn)一步說(shuō)明。本實(shí)施例發(fā)明使用基于SVM理論進(jìn)行交通信息預(yù)測(cè)時(shí)，主要分為數(shù)據(jù)處理，參數(shù)尋優(yōu)，模型訓(xùn)練和預(yù)測(cè)四個(gè)步驟數(shù)據(jù)處理這一部分主要包括數(shù)據(jù)的收集，數(shù)據(jù)分組和數(shù)據(jù)歸一化。數(shù)據(jù)收集部分,需要采集某段固定的道路連續(xù)5天的全天數(shù)據(jù)，這些數(shù)據(jù)的統(tǒng)計(jì)間隔為15min ;數(shù)據(jù)分組，以天為單位，將這5天的數(shù)據(jù)分為5組，每組96對(duì)，前四組用于訓(xùn)練SVM，最后一組數(shù)據(jù)用來(lái)驗(yàn)證車(chē)輛速度預(yù)測(cè)的準(zhǔn)確性；數(shù)據(jù)歸一化，將獲得的數(shù)據(jù)歸一化到O到I之間。參數(shù)尋優(yōu)選擇合適的核函數(shù)，確定參數(shù)。通過(guò)對(duì)比多項(xiàng)式核函數(shù),線(xiàn)性核函數(shù)和徑向基函數(shù)三種不同的核函數(shù)，發(fā)現(xiàn)徑向基函數(shù)由于其他核函數(shù)，本發(fā)明使用徑向基函數(shù)(RBF)作為SVM的核函數(shù)；采用動(dòng)態(tài)調(diào)整法獲得二次規(guī)劃的優(yōu)化參數(shù)，優(yōu)化后參數(shù)為C = 1024，ε = 2，這里C為回歸模型的復(fù)雜度和樣本擬合精度之間的折中，ε為回歸允許的最大誤差。模型訓(xùn)練這一部分是整個(gè)算法的核心，獲得的模型直接決定了最終預(yù)測(cè)的準(zhǔn)確性，輸入將前面準(zhǔn)備好的訓(xùn)練數(shù)據(jù)，從而確定最終的訓(xùn)練模型，這個(gè)模型就是我們以后要用于未來(lái)某一時(shí)刻車(chē)輛速度的工具。預(yù)測(cè)使用訓(xùn)練出來(lái)的模型，進(jìn)行預(yù)測(cè)，將預(yù)測(cè)得到的數(shù)據(jù)與實(shí)際數(shù)據(jù)進(jìn)行對(duì)比。圖2描述了一整天24小時(shí)內(nèi)每隔15分鐘的車(chē)輛行駛的實(shí)際速度和預(yù)測(cè)速度的比較，從對(duì)比中可以發(fā)現(xiàn)，本發(fā)明所采用的預(yù)測(cè)方法基本能夠預(yù)測(cè)未來(lái)車(chē)輛的行駛速度的狀況。
權(quán)利要求
1.基于支持向量機(jī)的道路車(chē)輛行駛速度預(yù)測(cè)方法，包括下列步驟 1)采集待預(yù)測(cè)道路的道路速度實(shí)測(cè)數(shù)據(jù)； 2)對(duì)所采集到的道路速度實(shí)測(cè)數(shù)據(jù)進(jìn)行歸一化處理，并進(jìn)行分組，得到數(shù)據(jù)集，其中一部分用于訓(xùn)練模型，稱(chēng)為訓(xùn)練樣本集，另一部分用于最終對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)價(jià)，稱(chēng)為測(cè)試樣本集； 3)選擇徑向基函數(shù)(RBF)作為SVM的核函數(shù)，采用動(dòng)態(tài)調(diào)整法獲得二次規(guī)劃的優(yōu)化參數(shù)； 4)利用訓(xùn)練樣本集求得Lagrange乘數(shù)a^i= 1,2,...,1)和偏置b,從而確定預(yù)測(cè)函數(shù)廠(chǎng)= 二； + &，其中K為徑向基函數(shù)，X是待預(yù)測(cè)的向量數(shù)據(jù)。
根據(jù)上一步驟生成的預(yù)測(cè)函數(shù)對(duì)道路車(chē)輛行駛速度進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)結(jié)果與測(cè)試樣本集的數(shù)據(jù)相比較，對(duì)預(yù)測(cè)誤差進(jìn)行評(píng)價(jià)；如果誤差較大，則返回步驟3，重新調(diào)整SVM參數(shù)再進(jìn)行預(yù)測(cè)。
全文摘要
本發(fā)明屬于智能交通領(lǐng)域，涉及一種基于支持向量機(jī)的道路車(chē)輛行駛速度預(yù)測(cè)方法，包括采集待預(yù)測(cè)道路的道路速度實(shí)測(cè)數(shù)據(jù)；對(duì)所采集到的道路速度實(shí)測(cè)數(shù)據(jù)進(jìn)行歸一化處理，并進(jìn)行分組，得到數(shù)據(jù)集；選擇徑向基函數(shù)作為SVM的核函數(shù)，采用動(dòng)態(tài)調(diào)整法獲得二次規(guī)劃的優(yōu)化參數(shù)；求取預(yù)測(cè)函數(shù)；根據(jù)上一步驟生成的預(yù)測(cè)函數(shù)對(duì)道路車(chē)輛行駛速度進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)結(jié)果與測(cè)試樣本集的數(shù)據(jù)相比較，對(duì)預(yù)測(cè)誤差進(jìn)行評(píng)價(jià)；如果誤差較大，則重新調(diào)整SVM參數(shù)再進(jìn)行預(yù)測(cè)。本發(fā)明既提高了學(xué)習(xí)機(jī)的泛化能力，使得局部最小問(wèn)題不復(fù)存在，又使得在進(jìn)行非平穩(wěn)的短時(shí)交通流信息預(yù)測(cè)，即使輸入信號(hào)混有噪聲，依然可以取得很高的精度。
文檔編號(hào)G08G1/052GK102637363SQ201210104918
公開(kāi)日2012年8月15日 申請(qǐng)日期2012年4月11日 優(yōu)先權(quán)日2012年4月11日
發(fā)明者楊曉科, 王文俊 申請(qǐng)人:天津大學(xué)