基于混沌和改进LSSVM的短时交通流预测

摘要

交通系统的信息化和智能化建设是加快城市现代化进程的重要举措，也是满足城市居民日益增加的出行需求的基本途径。交通控制与诱导既是城市交通规划的研究内容，也是智能交通领域的一项重要课题，其实现依赖于实时准确的短时交通流预测。交通流具有不确定性、随机性、时变性的特点，短时交通流时间序列也存在混沌特性，因而如何建立准确的短时交通流预测模型是当前的研究热点。
　　本文以青岛市某路段采集的交通流数据为基础，利用混沌理论分析短时交通流的混沌特性，为下一步的预测打下基础。首先采用C-C法对交通流时间序列进行分析处理，获得相空间重构所需的嵌入维数和延迟时间，然后对该时间序列重构相空间，最后利用小数据量法计算相空间的最大李雅普诺夫指数来判定系统混沌特性的存在。
　　最小二乘支持向量机(LSSVM)具有强大的学习和泛化能力，而且能较好处理小样本和非线性问题。为了提高短时交通流预测的精度，本文提出基于改进LSSVM的预测方法。采用粒子群(PSO)算法优化LSSVM，通过PSO的全局搜索能力寻找LSSVM的最优惩罚因子和核参数，从而避免了参数选择的盲目性，然后将重构后的相空间导入优化后的LSSVM模型进行预测。
　　实验结果表明短时交通流存在混沌特性，基于混沌和改进LSSVM的预测模型不仅具有较好的预测能力，而且在短时交通流预测中是有效的和可行的。