交通參數預測的自適應優化算法研究

摘要：將最優梯度算法應用于指數平滑模型，通過構造優選并自動生成的最佳平滑參數使模型得以優化，增強了指數平滑模型對時間序列的適應能力，較好地解決了指數平滑預測中，平滑參數靠檢驗確定且為靜態、平滑初值難以確定并導致預測偏差等問題。通過實例， 與其他指數平滑預測算法相比，驗證了該算法的有效性。

關鍵詞：交通參數預測；最優梯度；指數平滑法；動態平滑參數 

中圖分類號：TP301．6文獻標志碼：A

文章編號：1001－3695(2008)01－0096－02



智能交通系統（ITS）成為近些年來研究的熱門課題。交通流量預測是智能交通系統實現的前提與關鍵。為了實時準確地預測交通流量，人們進行了大量的研究，得到了一些預測方法。但由于道路交通系統是一個有人參與、時變、復雜的非線性大系統，觀測到的交通流量序列是一個非平穩的時間序列，要實時準確地預測交通流量是一件及其困難而復雜的事。特別是對短時交通流量的預測。

1指數平滑法概述

指數平滑又稱指數修勻，是一種重要的時間序列預測法。作為一種經驗預測方法，已有許多學者對其進行過研究。從本質上說，它是ARMA模型在n＝m＝1時的特殊情況。只有當觀測數據適合ARMA（1，1）模型時，才可以用指數平滑法進行較好的預測。它可以消除時間序列的偶然性變動，提高近期數據在預測中的重要程度。

其基本思想是先對原始數據進行處理，處理后的數據稱為平滑值；然后再根據平滑值經過計算構成預測模型，用于計算未來預測值。指數平滑法實質上是將歷史數據進行加權平均作為未來時刻的預測結果。它具有計算簡單、樣本要求量較少、適應性較強、結果較穩定等優點，不但可用于短期預測，對中長期預測效果更好[4~9]。

1．1計算方法及存在問題

4結束語

本文建立的動態指數平滑優化模型使困擾指數平滑應用的初值選取、參數確定、預測偏差等問題得到了較完整的解決。由于最終的minSSE是借助原始的時間序列對進行自適應優選后得到的，加之平滑中每一項的權重隨著α的變化都在不停地自動調整，新模型及其算法不僅沒有改變指數平滑法的基本特征，而且對時間序列的適應能力更強。

參考文獻：

［1］SMITH B L，DEMETSKY M J.Traffic flow forecasting:comparison of modeling approaches[J].Journal of Transportation Engineering，1997，123(4):262－266.

[2]CLARK S.Traffic prediction using multivariate nonparametric regression [J].Journal of Transportation Engineering，2003，192(2):161 168.

[3]劉靜，關偉.交通流預測方法綜述 [J].公路交通科技，2004，21（3）：82－85.

[4]王正武，黃中祥.短時交通流預測模型的分析與評價[J].系統工程，2003，21（6）：97 100.

[5]楊兆升.城市交通流誘導系統理論與模型[M].北京：人民交通出版社，2000.

[6]張忠平.指數平滑法[M].北京:中國統計出版社，1996.

[7]預測方法和技術的應用研究課題組.中國預測技術發展研究[J].預測，1991，10（5）：10 17.

[8]徐大江.預測模型參數的指數平滑估計法及其應用的進一步研究[J].系統工程理論與實踐，1992，19(2):25－37.

[9]BERGER J O.Statistical decision theory and Bayesian analysis[M].2nd ed.New York:Springer Verlag，1996.

“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”