基于SVM短时交通流量预测

摘要

交通流量预测是智能交通系统中非常重要的研究领域,传统的预测方法在交通流量预测中有着非常广泛的应用。但是,在短时交通流量预测中,由于其影响因素错综复杂,传统的预测方法对于短时交通流量不能很好地进行预测。随着机器学习和数据挖掘各种理论的不断提出及完善,机器学习和数据挖掘与交通流量预测的结合是智能交通系统未来发展的一个重要方向。本文利用SVM(support vector machine)构建了短时交通流量预测模型,并利用遗传算法(genetic algorithm)对SVM的惩罚参数C和核参数σ进行优化,同时比较SVM中不同核函数,包括多项式核函数(polynomial kernel)和径向基核函数(RBF kernel)的预测效果。径向基SVM(RBF SVM)训练时间要比多项式SVM(polynomial SVM)短,预测准确率和精度也要比多项式SVM要好。从仿真结果上看,SVM非常适合应用于短时交通流量预测,能够取得很好的预测效果与精度。

关键词

SVM / 交通流量 / 短时预测 / 遗传算法