專利名稱：基于支持向量機的道路車輛行駛速度預測方法
技術(shù)領域：
本發(fā)明屬于智能交通領域，可以直接應用于預測某段道路某段時間內(nèi)車輛行駛速度。
背景技術(shù)：
這些年，我國經(jīng)濟持續(xù)保持高速增長，人民生活水平大幅提高，城市化程度明顯提高，汽車消費也是與日俱增，城市交通擁堵問題變得更加突出和棘手，對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)在以下幾個方面第一，時間浪費；第二，資源浪費；第三，降低突發(fā)事件處理響應速度。因此，通過對道路車輛行駛速度進行預測來判斷道路擁堵情況就顯得十分重要。同時，隨著智能交通系統(tǒng)的發(fā)展，智能交通控制和車輛誘導系統(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)鍵是實時準確的道路車輛行駛速度的預測，車輛行駛速度預測的精度將直接關(guān)系到交通控制和車輛誘導效果，因此車輛行駛速度時預測越來越受到重視。在建立交通信息預測模型中，神經(jīng)網(wǎng)絡憑借其逼近任意非線性函數(shù)的能力和所具有的容錯、自學習等優(yōu)點，已被國內(nèi)外學者廣泛應用，并取得了不少有效的研究成果。但是，神經(jīng)網(wǎng)絡是一種依賴于經(jīng)驗的啟發(fā)式技術(shù)，學習過程采用經(jīng)驗風險最小化原則，在小樣本情況下，容易出現(xiàn)過學習現(xiàn)象而導致泛化能力低下；另外，對于非平穩(wěn)的短時交通流信息，當輸入信號混有噪聲時，神經(jīng)網(wǎng)絡預測的精度比較低。

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確和可靠的交通信息預測方法。本發(fā)明的技術(shù)方案如下一種基于支持向量機的道路車輛行駛速度預測方法，包括下列步驟I)采集待預測道路的道路速度實測數(shù)據(jù)；2)對所采集到的道路速度實測數(shù)據(jù)進行歸一化處理，并進行分組，得到數(shù)據(jù)集，其中一部分用于訓練模型，稱為訓練樣本集，另一部分用于最終對預測結(jié)果進行評價，稱為測試樣本集；3)選擇徑向基函數(shù)(RBF)作為SVM的核函數(shù)，采用動態(tài)調(diào)整法獲得二次規(guī)劃的優(yōu)化參數(shù)；4)利用訓練樣本集求得Lagrange乘數(shù)(i = 1,2,...,1)和偏置b,從而確定預測函數(shù)/.工:=hd''. V. + b，其中K為徑向基函數(shù)，X是待預測的向量數(shù)據(jù)。5)根據(jù)上一步驟生成的預測函數(shù)對道路車輛行駛速度進行預測，并將預測結(jié)果與 測試樣本集的數(shù)據(jù)相比較，對預測誤差進行評價；如果誤差較大，則返回步驟3，重新調(diào)整SVM參數(shù)再進行預測。本發(fā)明使用的基于支持向量機理論的交通信息預測算法，彌補了當前廣泛采用的神經(jīng)網(wǎng)絡預測算法的不足，解決了過學習導致泛化能力低下的問題，采用支持向量回歸的方法，既提高了學習機的泛化能力，使得局部最小問題不復存在，又使得在進行非平穩(wěn)的短時交通流信息預測，即使輸入信號混有噪聲，依然可以取得很高的精度。


圖I本發(fā)明的預測方法的主要步驟圖示。圖2實驗結(jié)果示意圖，系列I代表實際道路車輛速度，系列2代系統(tǒng)預測的車輛速度。圖2縱坐標代表車輛行駛速度，單位為公里/小時，橫坐標代表時間點，單位為h。
具體實施例方式本發(fā)明是一種基于支持向量機(SVM)理論的道路車輛行駛速度預測算法，主要是使用SVM的理論來準確的預測某段道路在未來一段時間內(nèi)的車輛行駛速度。支持向量機(SVM)是一種新型的機器學習方法，它具有完備的理論基礎和出色的學習性能，其突出特點是根據(jù)結(jié)構(gòu)風險最小化原則(SRM)進行學習，可以從本質(zhì)上提高學習機的泛化能力，不存在局部最小化問題，并且運用核函數(shù)巧妙地解決了維數(shù)問題。交通信息預測是智能交通領域的一個核心任務，本發(fā)明提供了一種使用支持向量機理論的方法來預測交通流，通過對歷史交通信息進行處理，預測一定時間內(nèi)通過某一固定路段的車輛行駛速度，從而判斷道路的擁堵情況，為人們出行和道路預警決策等提供一個良好的平臺。具體實現(xiàn)是這樣的，如圖I :I)采集待預測道路的道路速度實測數(shù)據(jù)，2)對所采集到的道路速度實測數(shù)據(jù)進行歸一化處理，并進行分組，得到數(shù)據(jù)集對于歷史數(shù)據(jù)I = [D=_，先將其轉(zhuǎn)化成SVM所能處理的格式，然后對其進行歸一
% 一 Uim(X):
化處理^ =最后將數(shù)據(jù)進行分組，其中一部分用于訓練模型，稱為訓練樣
本集，另一部分用于最終對預測結(jié)果進行評價，稱為測試樣本集。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)，同時確定SVM所需要的參數(shù)C和e。這里，對優(yōu)化參數(shù)C和e引入動態(tài)調(diào)整的思想，即用先驗知識固定第一個參數(shù)用列舉法來確定第二個參數(shù)，然后再固定已優(yōu)化了的參數(shù)來確定第一個參數(shù)，最后將優(yōu)化后的兩個參數(shù)在各自的鄰域內(nèi)驗證其最優(yōu)性。 4)輸入數(shù)據(jù)集，生成預測函數(shù)輸入樣本集求得Lagrange乘數(shù)Si (i = 1,2,...,1)和偏置b,從而確定預測函數(shù)m = 其中K為徑睡_，X是待刪的向量數(shù)據(jù)。
f嫌5)預測并進行誤分析，如圖2。根據(jù)上一步驟生成的預測函數(shù)進行預測，并將預測結(jié)果與測試樣本集的數(shù)據(jù)相比較，對預測誤差進行評價；如果誤差較大，則返回步驟3，重新調(diào)整SVM參數(shù)再進行預測。本發(fā)明將SVM的理論引入到智能交通領域，進行道路車輛速度的預測，為交通信息預測提供了新的思路。本 發(fā)明的思想在于使用非線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，并運用核函數(shù)巧妙的解決了維數(shù)問題。其核心在于利用了支持向量回歸的思路來預測交通信息。下面結(jié)合實施例對本發(fā)明進一步說明。本實施例發(fā)明使用基于SVM理論進行交通信息預測時，主要分為數(shù)據(jù)處理，參數(shù)尋優(yōu)，模型訓練和預測四個步驟數(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，前四組用于訓練SVM，最后一組數(shù)據(jù)用來驗證車輛速度預測的準確性；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)。通過對比多項式核函數(shù),線性核函數(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。模型訓練這一部分是整個算法的核心，獲得的模型直接決定了最終預測的準確性，輸入將前面準備好的訓練數(shù)據(jù)，從而確定最終的訓練模型，這個模型就是我們以后要用于未來某一時刻車輛速度的工具。預測使用訓練出來的模型，進行預測，將預測得到的數(shù)據(jù)與實際數(shù)據(jù)進行對比。圖2描述了一整天24小時內(nèi)每隔15分鐘的車輛行駛的實際速度和預測速度的比較，從對比中可以發(fā)現(xiàn)，本發(fā)明所采用的預測方法基本能夠預測未來車輛的行駛速度的狀況。
權(quán)利要求
1.基于支持向量機的道路車輛行駛速度預測方法，包括下列步驟 1)采集待預測道路的道路速度實測數(shù)據(jù)； 2)對所采集到的道路速度實測數(shù)據(jù)進行歸一化處理，并進行分組，得到數(shù)據(jù)集，其中一部分用于訓練模型，稱為訓練樣本集，另一部分用于最終對預測結(jié)果進行評價，稱為測試樣本集； 3)選擇徑向基函數(shù)(RBF)作為SVM的核函數(shù)，采用動態(tài)調(diào)整法獲得二次規(guī)劃的優(yōu)化參數(shù)； 4)利用訓練樣本集求得Lagrange乘數(shù)a^i= 1,2,...,1)和偏置b,從而確定預測函數(shù)廠= 二； + &，其中K為徑向基函數(shù)，X是待預測的向量數(shù)據(jù)。
根據(jù)上一步驟生成的預測函數(shù)對道路車輛行駛速度進行預測，并將預測結(jié)果與測試樣本集的數(shù)據(jù)相比較，對預測誤差進行評價；如果誤差較大，則返回步驟3，重新調(diào)整SVM參數(shù)再進行預測。
全文摘要
本發(fā)明屬于智能交通領域，涉及一種基于支持向量機的道路車輛行駛速度預測方法，包括采集待預測道路的道路速度實測數(shù)據(jù)；對所采集到的道路速度實測數(shù)據(jù)進行歸一化處理，并進行分組，得到數(shù)據(jù)集；選擇徑向基函數(shù)作為SVM的核函數(shù)，采用動態(tài)調(diào)整法獲得二次規(guī)劃的優(yōu)化參數(shù)；求取預測函數(shù)；根據(jù)上一步驟生成的預測函數(shù)對道路車輛行駛速度進行預測，并將預測結(jié)果與測試樣本集的數(shù)據(jù)相比較，對預測誤差進行評價；如果誤差較大，則重新調(diào)整SVM參數(shù)再進行預測。本發(fā)明既提高了學習機的泛化能力，使得局部最小問題不復存在，又使得在進行非平穩(wěn)的短時交通流信息預測，即使輸入信號混有噪聲，依然可以取得很高的精度。
文檔編號G08G1/052GK102637363SQ201210104918
公開日2012年8月15日 申請日期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 申請人:天津大學