✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。
🍎个人主页：Matlab科研工作室
🍊个人信条：格物致知。
更多Matlab仿真内容点击👇
⛄ 内容介绍
短时交通流预测是实现智能交通控制与管理,交通流状态辨识和实时交通流诱导的前提及关键,也是智能化交通管理的客观需要.到目前为止,它的研究结果都不尽如人意.现有的以精确数学模型为基础的传统预测方法存在计算复杂,运算时间长,需要大量历史数据,预测精度不高等缺点.因此通过研究新型人工智能方法改进短期交通流预测具有一定的现实意义.本文在对现有短期交通流预测模型对比分析及交通流特性研究分析基础上,采用最小二乘支持向量机方法进行短期交通流预测模型,取得较好的效果. 支持向量机是一种新的机器学习算法,建立在统计学习理论的基础上,采用结构风险最小化原则,具有预测能力强,全局最优化以及收敛速度快等特点,相比较以经验风险化为基础的神经网络学习算法有更好的理论依据和更好的泛化性能.对于支持向量机模型而言,其算法相对简单,运算时间短,预测精度较高,比较适用于交通流预测研究,特别是在引入最小二乘理论后,计算简化为求解一个线性方程组,同时精度也能得到保证. 本文基于被囊群算法优化最小支持向量机TSA-LSSVM实现交通流数据预测。
⛄ 部分代码
function [Position,Score,Convergence]=TSA(Search_Agents,Max_iterations,Lowerbound,Upperbound,dimensions,objective)
tic;
Position=zeros(1,dimensions);
Score=inf;
Positions=init(Search_Agents,dimensions,Upperbound,Lowerbound);
Convergence=zeros(1,Max_iterations);
t=0;
while t<Max_iterations
for i=1:size(Positions,1)
Flag4Upperbound=Positions(i,:)>Upperbound;
Flag4Lowerbound=Positions(i,:)<Lowerbound;
Positions(i,:)=(Positions(i,:).*(~(Flag4Upperbound+Flag4Lowerbound)))+Upperbound.*Flag4Upperbound+Lowerbound.*Flag4Lowerbound;
fitness=objective(Positions(i,:));
if fitness<Score
Score=fitness;
Position=Positions(i,:);
end
end
xmin=1;
xmax=4;
xr=xmin+rand()*(xmax-xmin);
xr=fix(xr);
for i=1:size(Positions,1)
for j=1:size(Positions,2)
A1=((rand()+rand())-(2*rand()))/xr;
c2=rand();
if(i==1)
c3=rand();
if(c3>=0)
d_pos=abs(Position(j)-c2*Positions(i,j));
Positions(i,j)=Position(j)+A1*d_pos;
else
d_pos=abs(Position(j)-c2*Positions(i,j));
Positions(i,j)=Position(j)-A1*d_pos;
end
else
c3=rand();
if(c3>=0)
d_pos=abs(Position(j)-c2*Positions(i,j));
Pos(i,j)=Position(j)+A1*d_pos;
else
Pos(i,j)=Position(j)-A1*d_pos;
end
Positions(i,j)=(Pos(i,j)+Positions(i-1,j))/2;
end
end
end
t=t+1;
Convergence(t)=Score;
[t Score];
end
end
⛄ 运行结果
⛄ 参考文献
[1] 姚智胜. 基于实时数据的道路网短时交通流预测理论与方法研究[D]. 北京交通大学, 2007.
[2] 刘林. 基于LSSVM的短期交通流预测研究与应用[D]. 西南交通大学, 2011.
[3] 廖亚萍. 基于粒子群优化SVM模型的自动驾驶车辆决策机制研究[D]. 山东科技大学, 2019.
[4] 王锦添, 蔡延光, 黄何列,等. 基于扩展粒子群优化的支持向量机短时交通流预测[J]. 常熟理工学院学报, 2018, 32(2):7.
