基于支持向量回归的行程时间预测算法
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，定点观测方法虽然精度较低，但在工程上更加可行。交通数据可以大致分为三类：历史数据、当前数据和预测数据。行程时间的预测方法一般有两种：基于统计模型的预测方法和基于分析模型的预测方法。统计方法可理解为数据驱动的方法，它利用一系列历史变量和当前变量（速度、流量、行程时间）作为输入来预测未来的因变量（行程时间）。常见的统计预测方法包括ARIMA模型[4]、线性模型[5]等。分析模型运用微观的交通仿真器，例如METANET[6]等来预测行程时间。一般运用动态的OD矩阵作为输入，预言结果利用仿真来演化。2 支持向量回归（SVR）支持向量机分类方法的基本思想是利用函数Φ将训练数据从低维空间映射到更高维的空间，以
<<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：