采用MPSO优化SVR的短时交通流预测方法

论文摘要

为了提高高速公路交通流量预测精度以及预测方法的稳定性,降低预测用时,提出了一种后期随机惯性权重粒子群算法与支持向量回归机相结合的短时交通流预测模型（MPSO-SVR）。该预测模型用均匀分布的随机惯性权重替代标准PSO算法中不变的惯性权重ω,使算法中粒子在搜索后期拥有较大的ω,从而有效地避免算法陷入局部最优解,加快了算法的寻优速度。最后,通过不断更新惯性权重来更新粒子的速度与位置。算法不仅对支持向量回归中的惩罚因子c和核函数参数g进行寻优,而且能很好地平衡算法全局搜索与局部搜索能力,提高了算法的性能。实验结果表明,MPSO-SVR方法在沪宁高速交通流数据中比PSO-SVR方法预测精度更高、稳定性更强、耗时更短,且均方误差和平均百分比误差分别降低到28.689和12.952%。

论文目录

• 1 概 述
• 2 SVR模型原理
• 3 基于MPSO-SVR的交通流预测模型
•   3.1 标准PSO算法
•   3.2 基于MPSO-SVR的交通流预测模型
• 4 实验分析
•   4.1 数据来源及预处理
•   4.2 参数选择
•   4.3 预测结果及精度分析
• 5 结束语

文章来源

类型: 期刊论文

作者: 晏雨婵,武奇生,白璘,席维

关键词: 交通流量预测,线性递减惯性权重,粒子群算法,支持向量回归,参数寻优

来源: 计算机技术与发展 2019年04期

年度: 2019

分类: 信息科技,工程科技Ⅱ辑

专业: 公路与水路运输,自动化技术

单位: 长安大学电子与控制学院

基金: 教育部中央高校基本科研经费计划(310832173701),河南省交通运输厅科技项目(2019G-2-5)

分类号: TP18;U491.1

页码: 133-138

总页数: 6

文件大小: 2176K

下载量: 196