[发明专利]一种基于改进SVM算法的交通状态预测方法

说明书

本发明提出了一种基于改进SVM算法的交通状态预测方法，具体步骤为：对历史交通数据样本集进行预处理，将预处理后的样本数据分割成k个不相交的子样本，从k个不相交的子样本中选取一个子样本作为测试数据集，其它k‑1个子样本作为训练数据集；用改进的SVM模型在训练数据集上进行模型训练，并不断优化改进的SVM模型，生成最优的改进的SVM预测模型；输入测试数据集至最优的改进的SVM预测模型，从而获得预测结果。本发明利用改进的SVM算法可以有效地缓和数据中异常值的影响，增强模型的鲁棒性，并提高其泛化能力，提高了预测精度。

技术领域

本发明涉及智能交通系统—城市交通状态预测领域，具体而言涉及一种基于改进SVM算法的交通状态预测方法。

背景技术

随着社会的快速发展，有限的道路资源与急剧增长的机动车数量之间的供需矛盾变得越来越尖锐，导致交通供求之间难以平衡，这直接造成各城市中的交通拥堵问题日益严峻。道路交通控制与诱导系统是应对城市交通问题的重要方法，短时交通状态预测是实现上述方法的关键问题之一。因此，近几十年来，该领域的研究者已提出多种类型的短时交通流量预测方法，包括：基于小波包和最小二乘SVM的短时交通流组合预测方法、基于多核混合SVM的城市短时交通预测方法、基于SVMR的区域路网多断面交通流的短时预测方法等。

基于改进SVM的方法是近些年来常用的城市道路短时交通状态预测方法之一。大量的实验结果表明，基于改进SVM的方法具有速度快、准确率高、泛化能力强。如：(1)杨兆升,王媛,管青.基于支持向量机方法的短时交通流量预测方法[J].吉林大学学报(工),2006,36(6):881-884；(2)张通,张骏,杨霄.基于混合AGO-SVM的高速公路短时交通量预测研究[J].交通运输系统工程与信息,2011,11(1):157-162；(3)Qian Chen,Wenquan Li,Jinhuan Zhao.The Use of LS-SVM for Short-term Passenger Flow Prediction[J].Transport,2011,26(1):5-10；(4)徐鹏,姜凤茹.基于蚁群优化支持向量机的短时交通流量预测[J].计算机应用与软件,2013,30(3):250-254；(5)Zhang M,Zhen Y,Hui G,etal.Accurate Multisteps Traffic Flow Prediction Based on SVM[J].MathematicalProblems in Engineering,2013,2013(6):91-109；(6)Wang X,An K,Tang L,et al.ShortTerm Prediction of Freeway Exiting Volume Based on SVM and KNN[J].International Journal of Transportation ScienceTechnology,2015,4(3):337-352等等。

然而，交通数据的准确性和有效性在很大程度上决定了预测模型的性能。从现场采集的交通数据，因受测量工具和测量环境的影响，采集的交通数据中不可避免的包含异常值，有时甚至含有严重的误差。目前对采集的交通数据仅做如下处理：数据清洗(丢失数据补齐，错误数据判别，冗余数据约简)、数据标准化(总和标准化，标准差标准化，极小极大值标准化，极差标准化)等，易发生弃真或取伪的错误，这直接对生成的预测模型造成影响。

发明内容

本发明提出了一种基于改进SVM算法的交通状态预测方法，可改善现有SVM对异常值敏感问题。

实现本发明的技术解决方案为：一种基于改进SVM算法的交通状态预测方法，具体步骤为：

步骤1、对历史交通数据样本集进行预处理，具体为对交通数据样本集进行归一化处理，并根据道路中各路段的平均速度，对道路交通状态划分等级，每个等级的样本为一类样本，共m类样本；

步骤2、将归一化后的样本数据分割成k个不相交的子样本，从k个不相交的子样本中选取一个子样本作为测试数据集，其它k-1个子样本作为训练数据集；