基于支持向量机的公路车流量数据分析与预测模型

摘要

支持向量机是一种新的机器学习算法，以统计学习理论作为其理论基础，它的训练等价于解决一个二次规划问题，采用结构风险最小化原则，具有预测能力强、全局最优及收敛速度快等显著特点。因此，本文从研究混沌时间序列的预测入手，提出了一种基于支持向量机回归理论的预测方法，并将其应用于混沌时问序列预测中。为了验证该算法的性能，我们做了两项工作，一个是利用相空间的重构理论对混沌时间序列进行了单步与多步的预测，并同文献中的神经网络的预测结果进行了比较分析；另一个是在混沌时间序列中加入不同水平的噪声，并同BP网络及RBF网络的预测结果进行了比较分析。仿真结果表明，用支持向量回归算法进行混沌时间序列的预测能够取得比其他方法更好的效果，具有很好的稳健性及泛化能力。 在研究混沌时间序列预测的基础上，我们结合高速公路车流量的特点，对高速公路车流量预测问题进行研究，建立了基于支持向量机的高速公路车流量短期预测的模型，应用实际的负荷数据进行仿真试验，实际试验表明，该方法在预测的效果明显的优于人工神经网络方法。

目录

文摘

英文文摘

哈尔滨工程大学学位论文原创性声明

第1章绪论

第2章支持向量机的学习理论

第3章混沌时间序列的预测

第4章基于SVM的车流量预测方法

结 论

参考文献

攻读硕士学位期间发表论文和取得的科研成果

致谢