提升小波支持向量機在交通流量預測中的應用

摘要：采用提升小波方法構造出一種滿足雙正交的小波函數，并將這種小波函數作為支持向量機的核函數;此外，用線性規劃問題來代替二次規劃問題及稀疏正則化，本質上確保了解的稀疏性。基于提升小波構造出提升小波支持向量機模型，并將其用于交通流量的預測中。仿真實驗表明該模型具有良好的預測能力和泛化能力。

關鍵詞：提升小波；支持向量機；交通流量預測

中圖分類號：TP301文獻標志碼：A

文章編號：1001－3695(2007)08－0275－03

0引言

近年來，隨著智能交通系統的發展，智能交通控制和車輛誘導系統成為智能交通系統（intelligent transportation system，ITS）研究的核心課題之一。但這些系統得以實現的前提和關鍵是實時準確的交通流量預測。交通流量的預測將直接關系到交通控制和車輛誘導的效果，因此交通流量實時預測越來越受到重視。交通流量信息的準確預測有利于交通運行高效、及時的調度，從而既達到增加效益的經濟目的，又可以更好地解決交通擁堵問題。就目前的情況看，基于支持向量機的交通流量預測已有少量文獻的報道，如文獻[1~5]。

由于采用線性規劃問題來代替二次規劃問題，及L1稀疏正則化，本質上確保了解的稀疏性；同時線性規劃支持向量回歸的核函數可以不必滿足Mercer條件，只要是L1中任一函數即可。這就為更靈活地選取不同的小波作為核函數[5，6]提供了基礎。本文采用提升方法構造出具有雙正交性的小波，并將這種小波函數作為核函數，構造了基于提升小波的支持向量機，并將這種模型用于交通流量的預測。基于提升小波的核函數線性規劃支持向量機模型，不僅具有良好的函數逼近能力，同時更好地體現出多分辨能力。

1提升方法

實際中同時滿足對稱的和緊支撐的正交小波是有限的，而在工程應用中，考慮放棄正交性的前提下，引入了具有線性相位的小波，但同時保留了一種比較弱的正交性，即雙正交性。用提升方法來構造雙正交小波是從尋找兩個滿足如下條件的兩尺度序列{hn}和{h~n}開始：

4結束語

隨著國民經濟水平不斷提高，城市交通擁堵是一個亟待解決的問題。本文分析了道路交通流量的特征，嘗試采用尺度再生核進行交通流量實時預測。采用對比實驗的方式綜合比較了基于小波支持向量機預測方法和神經網絡預測方法的性能。該方法為交通領域的實時控制和誘導提供了新的參考和研究方向。該項研究具有一定的理論和現實意義。實驗結果驗證了基于提升小波核的方法在這一領域的可行性及有效性，進一步深入分析它的優勢及其可能存在的不足是下一步要做的工作。

參考文獻：

［1］張朝元，胡光華，徐天澤.基于LSSVM的交通流量時間序列預測 [J]. 云南大學學報， 2004，26(增刊): 19－22.

[2]張朝元，胡光華，徐天澤，等.支持向量機改進的神經網絡的函數逼近 [J].昆明理工大學學報， 2004，29(6): 148152.

[3]殷英，張朝元，胡光華，等. 基于SVM的實時交通流模擬與預測系統設計 [J]. 計算機工程與應用， 2005，41(10)，197199.

[4]王繼生，高寶成，時良平.支持向量機在交通量預測中的應用 [J]. 信息技術， 2004，28(4): 810.

[5]徐啟華，楊瑞.支持向量機在交通流量實時預測中的應用 [J].公路交通科技， 2005，22(12): 131134.

[6]ZHANG Li， ZHOU Weida，JIAO Licheng.Scaling kernel function support vector machines[J].Acta Electronica Sinica，2002，4(4):527－529.

[7]YAN Hui， ZHANG Xuegang， MA Yunqing，et al.The parameter estimation of RBF Kernel function based on veriogram[J].Acta Automatica Sinica，2002，28(3):450－455.

[8]LASKOV P.Feasible direction decomposition algorithms for training support vector machine [J].Machine Learning，2002， 46(1): 315－349.

[9]WAHBA G. Support vector machine，reproducing kernel hibert space and the randomized GACV[C]//Proc of Advance in Kernel Methods Support Vector Machine[S.l.]:MIT Press，1999.

[10]VAPINK V， GOLOWICH S， SMOLA A.Support vector method for function approximation， regression estimation， and signalprocessing[C]//MOZER M， JORDAN M， PETSCHE T.Neural information processing systems.[S.l.]:MIT Press，1997.

注：“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”