论文研究-自适应加权最小二乘支持向量机的短时交通流量预测 .pdf

在智能交通系统领域中，准确的短时交通流量预测对于交通规划和交通诱导的实现至关重要。由于短时交通流量预测涉及到不确定性和高度非线性特性，这给预测工作带来了极大的挑战。为了解决这一问题，本文提出了一种基于自适应加权最小二乘支持向量机(AWLS-SVM)的短时交通流量预测方法。以下将详细分析该方法的相关知识点。 支持向量机（SVM）是一种基于统计学理论的机器学习方法，它在解决回归预测问题和分类问题时具有独特的优势。最小二乘支持向量机（LS-SVM）是SVM的一种改进型，采用最小二乘线性系统替代传统的二次规划问题，减少了计算复杂度，使得算法更加高效。 加权最小二乘支持向量机（WLS-SVM）是对LS-SVM的进一步改进，通过引入权值因子来优化模型的性能。每个样本点的权值通常与其重要性成正比，而异常数据点（噪音或离群点）通常对模型的准确性有负面影响，因此，通过减少这些异常数据点的权值，可以降低其对模型的影响。 再者，自适应加权最小二乘支持向量机（AWLS-SVM）的核心思想是根据样本的实际情况自适应地调整每个样本点的权重。这一过程通常涉及两个步骤：利用LS-SVM得到初步的模型和样本数据拟合误差；根据每个样本的拟合误差来计算初始权重，再通过优化算法调整权重，以此来消除异常样本数据对模型性能的影响。 在选择最优参数方面，粒子群优化（PSO）算法被广泛应用于各种优化问题中，它模仿鸟群捕食行为来搜索全局最优解。PSO在处理参数优化问题时，通过群体合作，能够在有限的迭代次数内找到合适的参数组合，极大提升模型预测的准确度和泛化能力。 本论文研究中的仿真实验结果表明，AWLS-SVM能有效克服异常样本数据的影响，其模型预测性能优于传统的WLS-SVM和LS-SVM方法。作者还提到，他们将AWLS-SVM方法应用于建立短时交通流量预测模型，并取得了满意的结果。 此外，本论文还提到，随着交通基础设施建设和智能运输系统的发展，交通规划和交通诱导成为了交通领域研究的热点。准确的交通流量预测是实现智能运输系统中多个子系统功能的基础，而短时交通流量预测正是这一核心内容的体现。 文章提到了国家自然科学基金项目和高校博士点专项科研基金对本研究的支持。赵超副教授作为本论文的作者之一，主要从事建筑节能、复杂系统建模与优化研究，其研究领域包括将神经网络应用于交通流量预测建模等。 自适应加权最小二乘支持向量机的短时交通流量预测方法，通过自适应地赋予样本权重，优化模型参数，有效提升了模型对异常数据的容忍度和预测准确性，从而为智能交通系统的规划和诱导提供了重要的技术支持。