亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于SVM與神經(jīng)網(wǎng)絡(luò)組合模型的短時交通流預(yù)測研究

        2022-08-31 19:46:09劉君
        電腦知識與技術(shù) 2022年17期
        關(guān)鍵詞:支持向量機神經(jīng)網(wǎng)絡(luò)

        摘要:為提高短時交通流預(yù)測的數(shù)據(jù)擬合能力,提出基于支持向量機(SVM)與神經(jīng)網(wǎng)絡(luò)的組合預(yù)測模型SVM-BPNN、SVM-RBFNN。結(jié)合實際道路的短時交通流數(shù)據(jù),將組合模型與其他典型預(yù)測方法實驗對比。結(jié)果表明,本文提出的組合模型SVM-RBFNN預(yù)測精度更高,在短時交通流量預(yù)測方面具有明顯優(yōu)勢。

        關(guān)鍵詞:短時交通流;神經(jīng)網(wǎng)絡(luò);支持向量機

        中圖分類號:TP311? ? ? 文獻(xiàn)標(biāo)識碼:A

        文章編號:1009-3044(2022)17-0006-03

        短時交通流預(yù)測常用方法有歷史平均、神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)、回歸分析等[1],但因交通流影響因素復(fù)雜,近年來,組合預(yù)測模型成為短時交通流預(yù)測的研究熱點。目前將統(tǒng)計回歸模型、神經(jīng)網(wǎng)絡(luò)、遺傳算法等組合用于交通流預(yù)測已有部分成果,傅成紅等構(gòu)建基于深度學(xué)習(xí)的短時交通流量預(yù)測模型[2];文獻(xiàn)[3]采用SVR與ANN進(jìn)行預(yù)測研究,證明組合預(yù)測效果更好[3]。

        神經(jīng)網(wǎng)絡(luò)模型存在依賴大樣本、容易陷入局部極小等問題[4]。支持向量機以統(tǒng)計理論為基礎(chǔ),在解決小樣本模型識別中優(yōu)勢明顯,但對于大數(shù)據(jù)樣本問題容易發(fā)生維數(shù)災(zāi)難[5]。本文根據(jù)支持向量機結(jié)構(gòu)風(fēng)險最小化和神經(jīng)網(wǎng)絡(luò)的非線性泛化能力,提出一種基于支持向量機與神經(jīng)網(wǎng)絡(luò)的組合預(yù)測模型預(yù)測短時交通流。

        1 短時交通流主要參數(shù)

        引起交通流變化的因素很多,其中主要包括交通流量、車速、車流密度、道路占有率等代表性特征參數(shù)[6]。交通流量表示單位時間內(nèi)通過某一道路截面的車輛數(shù)。是反映道路系統(tǒng)交通變化的重要參數(shù),若[T]時間內(nèi)通過的某一道路截面的車輛數(shù)為[N],則交通流量[Q]定義為:

        Q=N/T

        車速通常指汽車在單位時間內(nèi)的行駛距離,一般包括區(qū)間和時間平均速度。假設(shè)某一路段長為[L],[n]輛車通過該路段用時分別為[t1,t2,…,tn],則區(qū)間平均速度定義為[v1=nL/i=1nti],時間平均速度定義為:[v1=1ni=1nvi]

        車流密度刻畫路段在某時刻的車輛數(shù)。若長度為L的路段在某一時刻共有N輛車,則車流密度表示為:

        H=N/L

        道路占有率指汽車占用道路比重,主要反映道路的擁堵程度。某一觀測路段L上有n輛車長分別為[l1,l2,…,ln],則道路的空間占有率為:

        [Rs=i=1nliL]

        2 支持向量回歸機

        支持向量機(SVM)在處理小樣本非線性問題時有比較好的效果。假設(shè)[xi∈Rn][yi∈Rn]分別為模型輸入值與輸出值,線性回歸的主要目標(biāo)是找到輸入與輸出之間的線性關(guān)系[f(x)=ωx+b]。短時交通流量預(yù)測即通過最優(yōu)估計尋找回歸函數(shù)[f(x)=(αi-αi*)K(x,xi)+b],其中x為交通流量影響因素,[K(x,xi)]表示核函數(shù),[ω]和b的值通過如下凸二次優(yōu)化問題求解:

        [minω,b,εZ=12ω2+Ci=1n(ξi+ξi*)],[s.t.f(x)-yi≤ε+ξiyi-f(x)≤ε+ξi*ξi≥0,ξi*≥0,i=1,2,…,n]

        上式中C為懲罰因子,用來刻畫間隔帶之外數(shù)據(jù)的罰數(shù),ε為不敏感損失系數(shù),[ξi、ξi*]為松弛變量。

        在上式引入拉格朗日乘子構(gòu)建拉格朗日方程:

        [L(ω,ξi,ξi*)=12ω2+Ci=1n(ξi+ξi*)-i=1nαi(ε+ξi-yi+ωxi+b)][-i=1nαi*(ε+ξi+yi-ωxi-b)][-i=1nβiξi-i=1nβi*ξi*,i=1,2,…,n]

        令式中各參數(shù)偏導(dǎo)數(shù)為0,并引入核函數(shù),可將問題轉(zhuǎn)化為對偶問題:

        [minαi,αi*M=12i=1n(αi-αi*)(αj-αj*)K(xi,xj)+εi=1n(αi+αi*)-i=1nyi(αi-αi*)]

        [s.t.i=1n(αi-αi*)=0,αi≥0,αi*≤C/n,]

        求解出[ω,b],即可得回歸函數(shù):[f(x)=(αi-αi*)K(x,xi)+b]。常用核函數(shù)有線性、多項多、徑向基核函數(shù)等,本文使用徑向基核函數(shù):

        [K(x,xi)=exp(-x-xi2/σ2)]。

        3 人工神經(jīng)網(wǎng)絡(luò)

        BPNN和RBFNN因其強大的容錯及自適應(yīng)能力被廣泛應(yīng)用于各個領(lǐng)域。在短時交通流預(yù)測中,BPNN結(jié)構(gòu)包含輸入層、隱含層、輸出層,在訓(xùn)練過程中通過自學(xué)獲得輸入、輸出數(shù)據(jù)間的對應(yīng)關(guān)系,通過正向傳播信號、反向傳播誤差,不斷修正各層間權(quán)值。

        假設(shè)[X=[x1,x2,…,xn]]為模型輸入向量,[Y=[y1,y2,…,yt]]為輸出值,隱含層各單元輸入為[D=i=1sWijX-bj],其中W表示輸入層與隱含層神經(jīng)元間的連接權(quán)重,bj為偏置。激勵函數(shù)采用Sigmoid函數(shù):

        [f(x)=11+e-x]。

        RBFNN在短時交通流預(yù)測也有廣泛應(yīng)用,其隱層基采用Gauss函數(shù)連接網(wǎng)絡(luò),確定了徑向基函數(shù)的中心點就能確定隱含層的連接關(guān)系。RBF具有局部逼近特點,在分類、收斂速度等方面優(yōu)勢明顯,激活函數(shù)為:

        [G(x)=exp(-x2/2σ2)]

        其中[x2]為歐氏范數(shù),[σ2]為方差。

        4 基于SVM與神經(jīng)網(wǎng)絡(luò)的組合模型

        單項預(yù)測模型有各自的優(yōu)勢,但也存在一定的局限性,Yu等人提出混合預(yù)測思想,構(gòu)建組合預(yù)測模型獲得更為精準(zhǔn)的預(yù)測效果[3]。但是因交通數(shù)據(jù)量大,SVM在預(yù)測中容易發(fā)生維數(shù)災(zāi)難,BPNN及RBFNN也容易出現(xiàn)局部極小問題?;诖耍疚奶岢鲆环N基于SVM與神經(jīng)網(wǎng)絡(luò)的組合模型,結(jié)合單項模型的優(yōu)點,提高整體預(yù)測精度和可靠性。

        組合模型中需根據(jù)實際情況確定各模型最優(yōu)權(quán)重值,本文采用經(jīng)典組合方式,通過模型對上一時段的預(yù)測均方誤差確定組合權(quán)重,預(yù)測誤差越大相應(yīng)權(quán)值越小,加權(quán)組合預(yù)測表達(dá)式為:

        [y(t+1)組合=a?(t+1)svm+(1-a)y(t+1)]

        其中a、1-a為組合模型的權(quán)重值,當(dāng)[y(t)-y(t)-?(t)svm-?(t)=0]時,a=0.5;否則,[a=y(t)-y(t)/[y(t)-y(t)+?(t)svm-?(t)]],即不同單項預(yù)測模型之間有近似的絕對誤差時采用平均線性組合,否則采用最優(yōu)組合方法確定權(quán)重值。[y(t+1)組合]為組合模型預(yù)測值,[y(t)-y(t)]、[?(t)svm-?(t)]分別為上一時段單項模型預(yù)測絕對誤差。

        5 實驗結(jié)果分析

        5.1數(shù)據(jù)來源

        由于交通流量是反映道路交通情況的重要指標(biāo),本文采用美國明尼斯達(dá)州德盧斯大學(xué)網(wǎng)站提供的交通流量數(shù)據(jù),該數(shù)據(jù)集描述了羅切斯特某環(huán)路每天的交通流量情況,采樣間隔為5分鐘,每天的數(shù)據(jù)長度為288。以2018年12月1日~20日數(shù)據(jù)為訓(xùn)練樣本,2019年1月1~10日數(shù)據(jù)為測試樣本集,共有訓(xùn)練樣本5750個,測試樣本2860個。

        5.2數(shù)據(jù)預(yù)處理

        樣本數(shù)據(jù)集的預(yù)處理是提高預(yù)測精度的重要部分,車道檢測數(shù)據(jù)受檢傳感器、通訊設(shè)備等不確定性因素影響,會導(dǎo)致樣本數(shù)據(jù)的冗余、缺失、存在噪聲等情況,對數(shù)據(jù)預(yù)處理后能夠有效調(diào)整異常數(shù)據(jù)和降噪,提高模型預(yù)測效果。本文采用限幅濾波法處理樣本的異常數(shù)據(jù):

        [xi*=E(x)+D(x),ifxi-E(x)+D(x)>μxi,ifxi-E(x)+D(x)≤μ]

        其中[xi*]為更新數(shù)據(jù),[E(x)]、[D(x)]分別為數(shù)學(xué)期望和方差。

        5.3評價指標(biāo)

        設(shè)[yt]為時間段[t]的交通流量預(yù)測值,[yt]為交通流量實際值。選用平均絕對百分比誤差(MAPE)和均方誤差(MSE)為誤差分析評價指標(biāo)。

        (1)[MAPE=1nt=1nyt-ytyt?100%];

        (2)[MSE=1nt=1n(yt-yt)2];

        MAPE和MSE表示某一時間段的預(yù)測誤差,n為整個預(yù)測周期的時間段個數(shù)。

        5.4預(yù)測值與實際值對比

        采用Matlab分別建立基于SVM和BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)的短時交通流量組合預(yù)測模型,對同一組數(shù)據(jù)進(jìn)行預(yù)測。SVM采用徑向基核函數(shù),懲罰系數(shù)C=2,不敏感損失系數(shù)ε=0.001;BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速率0.01,激活函數(shù)采用Sigmoid函數(shù),組合模型[y(t+1)組合=a?(t+1)svm+(1-a)y(t+1)]中權(quán)重值[a=0.35]。

        與單項預(yù)測模型對比,組合模型預(yù)測精度高于常規(guī)單項模型,SVM-BPNN和SVM-RBFNN兩種組合模型的平均絕對百分比誤差(MAPE)分別為5.4%、4.1%,均方誤差(MSE)分別為10.31、9.14(見表1),準(zhǔn)確率最大為86.4%,預(yù)測值的絕對誤差均控制在[10-2]量級。說明組合預(yù)測模型具有較好的非線性時間序列特征數(shù)據(jù)的學(xué)習(xí)能力,綜合兩種模型的優(yōu)點,預(yù)測精度和預(yù)測能力明顯優(yōu)于單項預(yù)測模型,其中SVM-RBFNN預(yù)測平均絕對百分比誤差最小。

        5.5預(yù)測精度與單項模型對比

        在訓(xùn)練集與測試數(shù)據(jù)完全相同的情況下,分別運用支持向量機(SVM),BP神經(jīng)網(wǎng)絡(luò)(BPNN),徑向基神經(jīng)網(wǎng)絡(luò)(RBFNN)三種經(jīng)典模型單獨對實際道路交通流量數(shù)據(jù)進(jìn)行預(yù)測。結(jié)果表明,三種模型單獨預(yù)測值的MAPE分別為10.32%、16.27%、13.89%(見圖1),并發(fā)現(xiàn)在引入上、下游路段交通流數(shù)據(jù)后,SVM的交通斷面流量預(yù)測精度大約提高6%,但仍低于組合模型。相比之下組合預(yù)測模型能夠綜合單項模型的優(yōu)勢,在收斂速度、精確度等方面均優(yōu)于單項預(yù)測模型。

        6 結(jié)論

        構(gòu)建組合模型對短時交通流量進(jìn)行預(yù)測,利用最優(yōu)組合原理將支持向量機與人工神經(jīng)網(wǎng)絡(luò)進(jìn)行組合,并通過對原始數(shù)據(jù)的預(yù)處理,改進(jìn)單項模型的預(yù)測性能和預(yù)測準(zhǔn)確度。實驗結(jié)果表明,基于支持向量機(SVM)與BP神經(jīng)網(wǎng)絡(luò)的組合模型(SVM-BPNN)以及SVM與徑向基神經(jīng)網(wǎng)絡(luò)(SVM-RBFNN)的組合預(yù)測模型,能夠綜合單項模型的優(yōu)點,降低模型對歷史數(shù)據(jù)的依賴,其中SVM-RBFNN預(yù)測效果最好,預(yù)測誤差MAPE平均控制在10%以內(nèi),結(jié)果優(yōu)于單項預(yù)測模型,適合用于短時交通流預(yù)測。

        參考文獻(xiàn):

        [1] 劉學(xué)剛,張騰飛,韓印.基于ARIMA模型的短時交通流預(yù)測研究[J].物流科技,2019,42(12):91-94,102.

        [2] 傅成紅,楊書敏,張陽.改進(jìn)支持向量回歸機的短時交通流預(yù)測[J].交通運輸系統(tǒng)工程與信息,2019,19(4):130-134,148.

        [3] Yu B,Wang Y T,Yao J B,et al.A comparison of the performance of ann and svm for the prediction of traffic accident duration[J].Neural Network World,2016,26(3):271-287.

        2016 林海濤.面向短時交通流量預(yù)測的神經(jīng)網(wǎng)絡(luò)算法研究[D].南京:南京郵電大學(xué),2016.

        [5] 沈洋,戴月明.支持向量機多分類技術(shù)研究[J].數(shù)字通信世界,2019(6):116-117.

        [6] 楊文臣,李立,胡澄宇,等.不利天氣對公路交通安全及交通流的影響研究綜述[J].武漢理工大學(xué)學(xué)報(交通科學(xué)與工程版),2019,43(5):843-849,854.

        收稿日期:2022-02-10

        基金項目:本文系2020年廣州城建職業(yè)學(xué)院校級科研項目-自然科學(xué)項目“面向短時交通流量預(yù)測的神經(jīng)網(wǎng)絡(luò)組合預(yù)測算法研究”(2020Yzk07)成果;2019年廣東省教育廳省級質(zhì)量工程教育教學(xué)改革與實踐項目(GDJG2019254);2019廣東省職業(yè)技術(shù)教育學(xué)會第三屆理事會科研項目重點立項課題(201907Z10)

        作者簡介:劉君(1983—),男,副教授,碩士,研究方向為群與圖、數(shù)學(xué)建模。

        猜你喜歡
        支持向量機神經(jīng)網(wǎng)絡(luò)
        神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
        電子制作(2019年19期)2019-11-23 08:42:00
        基于改進(jìn)支持向量機的船舶縱搖預(yù)報模型
        中國水運(2016年11期)2017-01-04 12:26:47
        基于SVM的煙草銷售量預(yù)測
        動態(tài)場景中的視覺目標(biāo)識別方法分析
        論提高裝備故障預(yù)測準(zhǔn)確度的方法途徑
        價值工程(2016年32期)2016-12-20 20:36:43
        基于熵技術(shù)的公共事業(yè)費最優(yōu)組合預(yù)測
        價值工程(2016年29期)2016-11-14 00:13:35
        基于支持向量機的金融數(shù)據(jù)分析研究
        基于神經(jīng)網(wǎng)絡(luò)的拉矯機控制模型建立
        重型機械(2016年1期)2016-03-01 03:42:04
        復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
        基于支持向量機回歸和RBF神經(jīng)網(wǎng)絡(luò)的PID整定
        欧美日韩亚洲国产精品| 中文字幕色偷偷人妻久久一区 | 国产黑色丝袜一区在线| 亚洲国产一区二区三区视频在线 | 欧美亚洲国产一区二区三区| 欧美大成色www永久网站婷| 精品亚洲国产成人av| 日本五月天婷久久网站| 国产亚洲精品日韩综合网| 精品国产三级国产av| 日本一区二区三区经典视频| 中文字幕在线亚洲精品| 亚洲av永久无码一区| 樱花AV在线无码| 手机在线观看亚洲av| 日韩美女av一区二区| 欧美变态另类刺激| 人妻无码中文人妻有码| 在线观看国产精品自拍| 国产一区二区三区在线蜜桃| 久久亚洲日韩精品一区二区三区| 熟女体下毛毛黑森林| 少妇被粗大的猛进69视频| 日本一区免费喷水| 亚洲视频在线免费观看一区二区 | 午夜不卡av免费| 在线亚洲AV成人无码一区小说| 国产精品国产三级国产专区50| 亚洲一区二区三区,日本| 久久亚洲日韩精品一区二区三区| 亚洲国产成人va在线观看天堂| 麻豆五月婷婷| 国产黄色精品高潮播放| 粉嫩av最新在线高清观看| 国产精品亚洲一区二区在线观看 | 国产午夜精品福利久久| 日本精品极品视频在线| 亚洲视频免费一区二区| 婷婷中文字幕综合在线| 91免费在线| 国产av黄色一区二区|