目標檢測與跟蹤之支持向量機在路段行程時間預測中的應用

項目一人工智能算法在運輸環(huán)節(jié)應用《物流人工智能技術(shù)》任務二目標檢測與跟蹤之支持向量機在路段行程時間預測中的應用2目錄/CONTENTS301支持向量機02行程時間預測的支持向量回歸機模型03實例分析4【知識目標】1.了解什么是支持向量回歸機；2.了解行程時間預測的支持向量回歸機模型。【情感目標】1.具有工匠精神、服務意識、環(huán)保意識、質(zhì)量意識、安全意識；2.培養(yǎng)獨立獲取信息和自學能力；3.堅定擁護中國共產(chǎn)黨領(lǐng)導和我國社會主義制度?！窘虒W目標】支持向量機是為了解決分類問題，由線性可分情況下的最優(yōu)分類超平面發(fā)展而來的，其目標是結(jié)構(gòu)風險最小化。支持向量回歸機是支持向量機在回歸估計問題中的應用，支持向量回歸機有ε-支持向量回歸機、ν-支持向量回歸機和最小二乘支持向量回歸機等。支持向量機一、支持向量機2.模型的建立根據(jù)支持向量回歸機的算法以及影響行程時間的因素，在預測時把路段根據(jù)車輛檢測器的分布分成幾段（如圖1所示），取過去幾個時段其中各小段的交通流量參數(shù)加上整個路段的行程時間參數(shù)作為多維輸入，下時段的路段行程時間作為輸出，建立預測模型。二、行程時間預測的支持向量回歸機模型首先，假設將要對某路段的行程時間進行預測。根據(jù)路段交通狀態(tài)和車輛檢測器設置情況將路段分為i小段，i=1,2,3，…，m。.i小路段在t時段由車輛檢測器統(tǒng)計的交通流量、平均速度和車道占有率分別記為、、，又設t時段內(nèi)通過整個路段的所有車輛的行程時間平均值為T（t），將要根據(jù)過去時段i小路段的交通參數(shù)（這里只選用交通流量）和整個路段行程時間來預測下一個或幾個時段的平均行程時間T（t+1）、T（t+2）等。其次，選定核函數(shù)和支持向量機的結(jié)構(gòu)和參數(shù)，構(gòu)造訓練集：{（x1，y1），…，（xl，yl）}，其中：y1，y2，…，yl為整個路段過去幾個時段已知平均行程時間T（t-l+1），T（t-l+2），...，T（t）；x1，x2，…，xl為過去幾個時段i小路段的交通狀態(tài)參數(shù)和整個路段行程時間的向量組合。最后，根據(jù)訓練結(jié)果所構(gòu)造的決策函數(shù)，輸入當前時段及過去幾個時段小路段的交通狀態(tài)參數(shù)和整個路段行程時間的數(shù)據(jù)，利用決策函數(shù)預測下時段的平均行程時間T（t+1）。二、行程時間預測的支持向量回歸機模型2.核函數(shù)的選擇、模型結(jié)構(gòu)和參數(shù)優(yōu)化支持向量機中，常用的核函數(shù)有：Sigmoid核函數(shù)B-樣條核Gauss徑向基（RBF）核函數(shù)多項式核函數(shù)傅立葉核二、行程時間預測的支持向量回歸機模型為了驗證上述預測方法，利用ⅤISSIM微觀交通模擬軟件來對某路網(wǎng)進行模擬，模擬時間為0~90000s，并統(tǒng)計其中一個路段行程時間和該路段中5個小路段的交通流量，數(shù)據(jù)的統(tǒng)計間隔為5min，共有300組數(shù)據(jù)。構(gòu)造訓練集時以t時段中5個小路段的流量q1（t）、q2（t）、q3（t）、q4（t）、q5（t）以及t-1時段的整個路段的行程時間T（t-1）、t時段的整個路段的行程時間T（t）為輸入屬性值，以t+1時段的整個路段的行程時間T（t+1）為輸出屬性值。由此獲得298組包括輸入和輸出的數(shù)據(jù)組，選擇前268組數(shù)據(jù)作為訓練集用于學習機器的訓練，而最后30組數(shù)據(jù)作為驗證數(shù)據(jù)。分別利用BP神經(jīng)網(wǎng)絡和υ-支持向量機和數(shù)據(jù)對行程時間進行預測。利用BP神經(jīng)網(wǎng)絡預測時，利用MATLAB7.0神經(jīng)網(wǎng)絡工具箱。采用3層結(jié)構(gòu)，輸入層有7個輸入，輸出層有1個輸出，中間層有13個神經(jīng)元，性能函數(shù)為均方差誤差性能函數(shù)，神經(jīng)網(wǎng)絡結(jié)構(gòu)的選擇和參數(shù)的優(yōu)化過程是通過已知的訓練集數(shù)據(jù)，把訓練集隨機分組，取出其中一組來測試效果，反復試算得到的相對最優(yōu)值。預測結(jié)果如圖2所示，絕對誤差（觀測值與預測值之差的絕對值）、相對誤差（絕對誤差與觀測值的比）分別如圖3和圖4所示。三、實例分析三、實例分析利用υ-支持向量機預測時，參數(shù)υ=04，C=10選用的核函數(shù)為Gauss徑向基（RBF）核函數(shù)（其參數(shù)取2000)，參數(shù)的優(yōu)化過程是將已知的訓練集數(shù)據(jù)分組，比如分成10組，任取其中9組預測剩下1組，反復試算，取最優(yōu)值而得到的。計算時利用Chih-JenLin開發(fā)的LIWM26軟件包。預測結(jié)果如圖5所示，絕對誤差、相對誤差分別如圖6和圖7所示.在預測結(jié)果中，對于預測值與觀測值的最大絕對誤差，BP神經(jīng)網(wǎng)絡為33s，支持向量機為23s；對于平均絕對誤差，BP神經(jīng)網(wǎng)絡為7.53s，支持向量機為6.87s；對于最大相對誤差，BP神經(jīng)網(wǎng)絡為15.58%，支持向量機為14.08%；對于平均相對誤差，BP神經(jīng)網(wǎng)絡為415%，支持向量機為3.88%因此，對于上述模擬數(shù)據(jù)，支持向量機預測方法相對BP神經(jīng)網(wǎng)絡方法在行程時間預測的效果有所改善。三、實例分析12目標檢測與跟蹤之支持向量機在路段行程時間預測中的應用支持向量機行程時間預測的支持向量回歸機模型實