应用支持向量机的交通流状态预测方法研究

摘要

支持向量机(support vector machine,SVM)是近年来出现的立足于统计学习理论(statistical learning theory,SLT)的VC维理论和结构风险最小化原则基础上的机器学习方法,在数据挖掘及分类中具有特点和优越性.为了提高交通流状态预测的精度及效率,研究支持向量机应用于数据泛化及分类的方法,并建立模型,在实测数据的基础上进行交通流状态的判定及预测.实验结果表明该方法学习及预测速度快、效率高,并且误差可控,具有较高的精确度(本文中实例精度高于95%),应用前景广泛.