基于小波包分析和支持向量回归机的交通流量预测方法研究

摘要

随着城市规模不断扩大，汽车数量快速增长，各个城市交通拥堵日益严峻。如今交通拥堵问题已成为影响人们生活的重要因素。现行的交通指挥调度方法根据时间长短控制，不能根据当前路段交通流量状况进行实时合理的调度。影响交通流量的因素存在高度的不确定性，成分复杂多变；传统的交通流预测方法将交通流量数据在时域里直接处理，抗干扰能力和准确性较差，预测所得数据对交通流量状况的参考价值小；本文在分析交通流量特性的基础上，综合考虑现有预测方法的优缺点，采用小波包分析和支持向量回归机对交通流量进行预测，旨在提高交通流量预测的准确性和增强实用性。
　　 首先，采用小波包分析对原始交通流量数据进行处理，通过小波包分解，将原始数据按照频率能量的不同分解为四个频段的交通流量特征数据。然后，将小波包分解后得到四个频段特征数据进行重构，分别采用普通分解树和最优分解树分析交通流量数据，得到与原始数据长度一致的四维交通流量特征数据。接着，将通过小波包分解和重构处理后的交通流量数据分为训练样本数据和测试数据两组。
　　 最后，采用支持向量回归机对重构后的交通流量特征数据进行预测。对交通流量分正常工作日和双休日分别进行了预测，先选择几组经小波包分解和重构后的交通流量特征数据作为训练样本进入支持向量回归机训练，以确定核函数、惩罚因子等，再将余下的交通流量特征数据代入训练得到的支持向量回归机器模型中进行预测，得到交通流量预测输出。同时，将测试数据组作为训练后的支持向量机模型的输入，并进行了预测误差分析，与传统的神经网络及时间序列预测方法相比，文中所述交通流量预测方法具有更高的精度。通过本文的研究，可以为交通流量的预测提供新的方法和新的思路。

目录

文摘

英文文摘

1 绪论

1.1 选题背景

1.2 国内外研究现状

1.2.1 交通流预测的研究现状

1.2.2 交通流量信号特征提取方法研究现状

1.2.3 支持向量机的交通流预测的现状

1.3 本课题研究的目的和意义

1.4 本文研究的主要内容

2 数据预处理

2.1 数据来源

2.2 数据预处理

3 基于小波包分析的交通流信号分解与重构

3.1 小波变换基础

3.1.1 连续小波变换

3.1.2 二进小波及框架

3.1.3 多分辨率分析

3.1.4 Mallat算法

3.2 小波包分析基本原理

3.2.1 小波包的定义与性质

3.2.2 小波包的优点-精细分割能力

3.2.3 小波包的分解与重构

3.3 交通流信号的分解与重构

3.3.1 最优分解树的选择

3.3.2 交通流数据的小波包分解与重构

3.4 本章小结

4 基于支持向量回归机的交通流预测

4.1 统计学习理论基础

4.1.1 经验风险最小化原则

4.1.2 VC维

4.1.3 学习机泛化能力的界

4.1.4 结构风险最小化

4.2 支持向量机

4.2.1 支持向量机简介

4.2.2 最大分类间隔原则

4.2.3 支持向量机原理

4.3 支持向量回归机

4.3.1 e-支持向量回归机

4.3.2 二次e-支持向量回归机

4.3.3 最小二乘支持向量机

4.3.4 三种支持向量回归机的对比

4.3.5 核函数的选择

4.4 交通流量的预测

4.5 几种小波核与常规核性能的对比

4.6 本章小结

5 结论

参考文献

攻读硕士学位期间发表的论文及科研成果

致谢