基于支持向量回归的行程时间预测算法.docx

基于支持向量回归的行程时间预测算法摘要：作为交通规划、运营和通行能力评估的重要指标行程时间的预测对出行者的路线和时间点的选择以及交通规划部门的信号控制策略有着重要的实际意义。对于高级交通诱导系统而言行程时间预测是一项关键的研究内容。现有行程时间预测方法较少且预测误差较大。为此运用浮动车和微波雷达测速数据提出了基于支持向量机解决行程时间预测的方法并且与历史平均法进行了比较。在杭州市高架路线上的实验结果表明所提方法的预测精度大幅度超过了历史平均法。关键词：支持向量机；行程时间；智能交通；历史平均中图分类号：TP391文献标志码：A文章编号：1006-8228（2014）04-40-03Abstract：Asanimportantindicatoroftransportationplanningoperationsandcapacityassessmenttheforecastedtraveltimehasimportantpracticalmeaningforthechoiceofrouteandtimingaswellasfortrafficsignalcontrolstrategyoftransportationplanningdepartment.Foradvancedtransportationguidancesystemsitisakeyissuetopredicttraveltimesbetweenpairsofpointsofinterest.Therearefewtraveltimepredictionmethodswithhighprobabilityofpredictionerror.Inthispaperthespeeddatareturnedfromprobevehiclesandmicrowaveradarsisusedtopredicttraveltimesbasedonsupportvectorregression（SVR）andthenewalgorithmiscomparedtothehistoricalmeanalgorithm.TheexperimentalresultsoverelevatedroadsinHangzhoushowthattheSVRbasedalgorithmsignificantlyoutperformsthehistoricalmeanalgorithm.Keywords：supportvectormachine；traveltime；intelligenttransportation；historicalaverage0引言行程时间是交通规划、运营和通行能力评估的重要指标。基于预测的行程时间出行者可以直观地进行路线选择或者出行时间点的选择交通规划部门能够做出合理的信号控制策略。因此准确预测行程时间具有重要的应用价值。支持向量机（SVM）[1]是Vapnik在1995年提出的已经被广泛地应用到监督分类领域。因为该方法采用了结构风险最小化的设计比起经验风险最小化方法其泛化能力更强因此往往表现出较强的测试精度。特别地工程实践往往难以获得大量标注样本而SVM在小样本学习问题上表现出较佳的性能。另外SVM采用严格的数值计算方法不会收敛到局部最小解。在智能交通领域运用SVM解决交通状态评估的工作较多并且能得到高精度的路况估计结果。近年来基于支持向量回归（SVR）的方法被应用到股市预测[2]、电价预测[3]等领域表现出较高的预测精度。而在智能交通领域SVR方法的应用还相对较少。本文运用SVR预测车流量较为集中的城市高架桥的行程时间。本文的结构安排是：第1节介绍如何计算和预测行程时间；第2节介绍支持向量回归方法；第3节通过实验评估支持向量回归在城市高架桥上的预测精度；第4节总结全文。1行程时间计算和预测方法行程时间指的是从一个感兴趣的位置到达另一个感兴趣的位置所需的车辆行驶时间。一般有两种计算方法：区间观测方法和定点观测方法。前者指的是运用浮动车在感兴趣的两个位置之间行驶记录耗费的行驶时间。后者指的是运用定点传感器（例如地感线圈、微波雷达、卡口、视频等传感器）采集的大量观测数据估算区间内行程时间。区间观测方法一般具有较高的精度但测量困难难以广泛应用。相对而言定点