[发明专利]一种基于改进SVM算法的交通状态预测方法

摘要

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。

主权项

1.一种基于改进SVM算法的交通状态预测方法，其特征在于，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；

步骤3、构建改进的SVM模型，用改进的SVM模型在训练数据集上进行模型训练，在训练过程中通过交叉验证的方法获得最优参数c_1m和c_2m；

步骤4、更新改进的SVM模型的增广向量确定最优增广向量z_m，生成最优的改进的SVM预测模型；

步骤5、输入测试数据集至最优的改进的SVM预测模型，获得一组交通状态预测精度；

步骤6、依次从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个作为训练数据集，重复步骤3、4，直至所有子样本都作为测试数据集和训练数据集被训练为止，总共得到k组交通状态预测精度，对k组交通状态预测精度求平均值，该平均值为最终的交通状态预测结果。

2.根据权利要求1所述的基于改进SVM算法的交通状态预测方法，其特征在于，步骤1中对交通数据样本进行归一化处理的具体公式为：

d_i＝(x_i‑min(X))/(max(X)‑min(X))

式中，X＝(x₁,x₂,...,x_n)∈Rⁿ，表示交通数据样本集，x_i(i＝1,2,...,n)表示交通数据样本集中的第i个数据样本，min(X)表示交通数据样本集中最小的数据样本，max(X)表示交通数据样本集中最大的数据样本，d_i表示归一化后的数据样本。

3.根据权利要求1所述的基于改进SVM算法的交通状态预测方法，其特征在于，步骤1中对道路交通状态划分等级的具体方法为：

按照城市道路交通规划设计规范，以不高于15分钟为统计间隔，计算道路中各路段的平均速度，并将道路交通状态划分为五级，包括畅通、基本畅通、轻度拥堵、中度拥堵、严重拥堵。

4.根据权利要求1所述的基于改进SVM算法的交通状态预测方法，其特征在于，步骤2中k为5。

5.根据权利要求1所述的基于改进SVM算法的交通状态预测方法，其特征在于，步骤3中构建的改进的SVM模型具体为：

其中，||·||₁表示L1范数距离，c_1m和c_2m是惩罚系数，e_1m和e_2m是相应维度的单位列向量，q_m是松弛变量，矩阵A_m表示第m类样本，矩阵B_m表示其余的m‑1类样本，w_m表示第m类样本的权向量，b_m表示第m类样本的偏差。

6.根据权利要求1所述的基于改进SVM算法的交通状态预测方法，其特征在于，步骤4中更新改进的SVM模型的增广向量确定最优增广向量z_m，生成最优的改进的SVM预测模型，具体步骤为：

步骤4.1、设置迭代次数p＝0，初始化增广向量根据计算对角矩阵及其中，

步骤4.2、根据对角矩阵及和最优参数c_1m及c_2m计算增广向量具体计算公式为：

其中，

下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。 免登录下载普通用户下载升级VIP会员，免费下载

该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于南京理工大学，未经南京理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】

本文链接：http://www.vipzhuanli.com/patent/201711352952.X/，转载请声明来源钻瓜专利网。