专利名称：基于支持向量机的道路车辆行驶速度预测方法
技术领域：
本发明属于智能交通领域，可以直接应用于预测某段道路某段时间内车辆行驶速度。
背景技术：
这些年，我国经济持续保持高速增长，人民生活水平大幅提高，城市化程度明显提高，汽车消费也是与日俱增，城市交通拥堵问题变得更加突出和棘手，对人们的工作和生活产生了极大的影响。这些影响主要表现在以下几个方面第一，时间浪费；第二，资源浪费；第三，降低突发事件处理响应速度。因此，通过对道路车辆行驶速度进行预测来判断道路拥堵情况就显得十分重要。同时，随着智能交通系统的发展，智能交通控制和车辆诱导系统成为智能交通系统研究的核心课题之一，但这些系统得以现的前提和关键是实时准确的道路车辆行驶速度的预测，车辆行驶速度预测的精度将直接关系到交通控制和车辆诱导效果，因此车辆行驶速度时预测越来越受到重视。在建立交通信息预测模型中，神经网络凭借其逼近任意非线性函数的能力和所具有的容错、自学习等优点，已被国内外学者广泛应用，并取得了不少有效的研究成果。但是，神经网络是一种依赖于经验的启发式技术，学习过程采用经验风险最小化原则，在小样本情况下，容易出现过学习现象而导致泛化能力低下；另外，对于非平稳的短时交通流信息，当输入信号混有噪声时，神经网络预测的精度比较低。
发明内容
本发明的目的是克服现有技术的上述不足提供一种更为准确和可靠的交通信息预测方法。本发明的技术方案如下一种基于支持向量机的道路车辆行驶速度预测方法，包括下列步骤I)采集待预测道路的道路速度实测数据；2)对所采集到的道路速度实测数据进行归一化处理，并进行分组，得到数据集，其中一部分用于训练模型，称为训练样本集，另一部分用于最终对预测结果进行评价，称为测试样本集；3)选择径向基函数(RBF)作为SVM的核函数，采用动态调整法获得二次规划的优化参数；4)利用训练样本集求得Lagrange乘数(i = 1,2,...,1)和偏置b,从而确定预测函数/.工:=hd''. V. + b，其中K为径向基函数，X是待预测的向量数据。5)根据上一步骤生成的预测函数对道路车辆行驶速度进行预测，并将预测结果与 测试样本集的数据相比较，对预测误差进行评价；如果误差较大，则返回步骤3，重新调整SVM参数再进行预测。本发明使用的基于支持向量机理论的交通信息预测算法，弥补了当前广泛采用的神经网络预测算法的不足，解决了过学习导致泛化能力低下的问题，采用支持向量回归的方法，既提高了学习机的泛化能力，使得局部最小问题不复存在，又使得在进行非平稳的短时交通流信息预测，即使输入信号混有噪声，依然可以取得很高的精度。
图I本发明的预测方法的主要步骤图示。图2实验结果示意图，系列I代表实际道路车辆速度，系列2代系统预测的车辆速度。图2纵坐标代表车辆行驶速度，单位为公里/小时，横坐标代表时间点，单位为h。
具体实施例方式本发明是一种基于支持向量机(SVM)理论的道路车辆行驶速度预测算法，主要是使用SVM的理论来准确的预测某段道路在未来一段时间内的车辆行驶速度。支持向量机(SVM)是一种新型的机器学习方法，它具有完备的理论基础和出色的学习性能，其突出特点是根据结构风险最小化原则(SRM)进行学习，可以从本质上提高学习机的泛化能力，不存在局部最小化问题，并且运用核函数巧妙地解决了维数问题。交通信息预测是智能交通领域的一个核心任务，本发明提供了一种使用支持向量机理论的方法来预测交通流，通过对历史交通信息进行处理，预测一定时间内通过某一固定路段的车辆行驶速度，从而判断道路的拥堵情况，为人们出行和道路预警决策等提供一个良好的平台。具体实现是这样的，如图I :I)采集待预测道路的道路速度实测数据，2)对所采集到的道路速度实测数据进行归一化处理，并进行分组，得到数据集对于历史数据I = [D=_，先将其转化成SVM所能处理的格式，然后对其进行归一
% 一 Uim(X):
化处理^ =最后将数据进行分组，其中一部分用于训练模型，称为训练样
本集，另一部分用于最终对预测结果进行评价，称为测试样本集。3)选择核函数，确定SVM参数。得到数据集之后，选择径向基函数(RBF)作为SVM的核函数，同时确定SVM所需要的参数C和e。这里，对优化参数C和e引入动态调整的思想，即用先验知识固定第一个参数用列举法来确定第二个参数，然后再固定已优化了的参数来确定第一个参数，最后将优化后的两个参数在各自的邻域内验证其最优性。 4)输入数据集，生成预测函数输入样本集求得Lagrange乘数Si (i = 1,2,...,1)和偏置b,从而确定预测函数m = 其中K为径睡_，X是待删的向量数据。
f嫌5)预测并进行误分析，如图2。根据上一步骤生成的预测函数进行预测，并将预测结果与测试样本集的数据相比较，对预测误差进行评价；如果误差较大，则返回步骤3，重新调整SVM参数再进行预测。本发明将SVM的理论引入到智能交通领域，进行道路车辆速度的预测，为交通信息预测提供了新的思路。本 发明的思想在于使用非线性映射把样本向量从原空间映射到高为特征空间，在此高位特征空间构造最优决策函数，利用结构最小化原则，并运用核函数巧妙的解决了维数问题。其核心在于利用了支持向量回归的思路来预测交通信息。下面结合实施例对本发明进一步说明。本实施例发明使用基于SVM理论进行交通信息预测时，主要分为数据处理，参数寻优，模型训练和预测四个步骤数据处理这一部分主要包括数据的收集，数据分组和数据归一化。数据收集部分,需要采集某段固定的道路连续5天的全天数据，这些数据的统计间隔为15min ;数据分组，以天为单位，将这5天的数据分为5组，每组96对，前四组用于训练SVM，最后一组数据用来验证车辆速度预测的准确性；数据归一化，将获得的数据归一化到O到I之间。参数寻优选择合适的核函数，确定参数。通过对比多项式核函数,线性核函数和径向基函数三种不同的核函数，发现径向基函数由于其他核函数，本发明使用径向基函数(RBF)作为SVM的核函数；采用动态调整法获得二次规划的优化参数，优化后参数为C = 1024，ε = 2，这里C为回归模型的复杂度和样本拟合精度之间的折中，ε为回归允许的最大误差。模型训练这一部分是整个算法的核心，获得的模型直接决定了最终预测的准确性，输入将前面准备好的训练数据，从而确定最终的训练模型，这个模型就是我们以后要用于未来某一时刻车辆速度的工具。预测使用训练出来的模型，进行预测，将预测得到的数据与实际数据进行对比。图2描述了一整天24小时内每隔15分钟的车辆行驶的实际速度和预测速度的比较，从对比中可以发现，本发明所采用的预测方法基本能够预测未来车辆的行驶速度的状况。
权利要求
1.基于支持向量机的道路车辆行驶速度预测方法，包括下列步骤 1)采集待预测道路的道路速度实测数据； 2)对所采集到的道路速度实测数据进行归一化处理，并进行分组，得到数据集，其中一部分用于训练模型，称为训练样本集，另一部分用于最终对预测结果进行评价，称为测试样本集； 3)选择径向基函数(RBF)作为SVM的核函数，采用动态调整法获得二次规划的优化参数； 4)利用训练样本集求得Lagrange乘数a^i= 1,2,...,1)和偏置b,从而确定预测函数厂= 二； + &，其中K为径向基函数，X是待预测的向量数据。
根据上一步骤生成的预测函数对道路车辆行驶速度进行预测，并将预测结果与测试样本集的数据相比较，对预测误差进行评价；如果误差较大，则返回步骤3，重新调整SVM参数再进行预测。
全文摘要
本发明属于智能交通领域，涉及一种基于支持向量机的道路车辆行驶速度预测方法，包括采集待预测道路的道路速度实测数据；对所采集到的道路速度实测数据进行归一化处理，并进行分组，得到数据集；选择径向基函数作为SVM的核函数，采用动态调整法获得二次规划的优化参数；求取预测函数；根据上一步骤生成的预测函数对道路车辆行驶速度进行预测，并将预测结果与测试样本集的数据相比较，对预测误差进行评价；如果误差较大，则重新调整SVM参数再进行预测。本发明既提高了学习机的泛化能力，使得局部最小问题不复存在，又使得在进行非平稳的短时交通流信息预测，即使输入信号混有噪声，依然可以取得很高的精度。
文档编号G08G1/052GK102637363SQ201210104918
公开日2012年8月15日 申请日期2012年4月11日 优先权日2012年4月11日
发明者杨晓科, 王文俊 申请人:天津大学