基于支持向量回归的行程时间预测算法
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
<<上一页 下一页>>
广州市越秀区图书馆版权所有。
联系电话：020-87673002
本站访问人数：