采用MPSO优化SVR的短时交通流预测方法

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％.

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

所属期刊栏目：29

分类号：TP301(计算技术、计算机技术)

资助基金：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

在线出版日期：2019-05-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：133-138