当前位置：文档之家 › 基于LS-SVM的道路交通事故的非线性组合预测

基于LS-SVM的道路交通事故的非线性组合预测

  • 格式：pdf
  • 大小：277.50 KB
  • 文档页数：4

ａｃｄ ｎ ａ ｒｓ ｎｅ ｃ ｏｄｎ ｏｔｅｃ ａａｔｒ ｆ ｏ ｄｓｃ ｒ ｙｓｓｅ ｂ ｓｄｏ Ｓ Ｓ ｃｉｅ ｔｗ ｓｐｅ ｅ ｔｄａ ｃ ｒｉｇｔ ｈ ｈ ｒｃｅｓｏ ａ ｅ ｕ ｔ ｙｔｍ ａｅ ｎＬ —ＶＭ．Ｆ ｏ ｔｅｐ ａｔ ａ ｍｐｏ ｍｅ ｔｔｅｒｓ ｌ ｒ ｉ ｒｍ ｒｃｉ ｌｅ ｌｙ ｎ ，ｈ ｅｕｔ ｈ ｃ
中圈 分 类 号 ： ４ １３ Ｕ ９．１ 文献标识码 ： Ａ
Ｎｏ ｌｎｅ ｒ Ｃｏ ｂｉ ｔｏ ｒ ｃ ｓｉ ｇ ｏ ａ ａ ｃ ｎ ｉ ａ ｍ ｎａ ｉ ｎ Ｆｏ ｅ ａ ｔｎ ｆＲｏ ｄ Ｔｒ ｆ ｉ
Ａｃ ｉ ｅ ｔＢａ ｅ ｎ ＬＳ Ｓ ｃｄ ｎ ｓ ｄ ｏ ． ＶＭ
进 行组合 预 测前 ， 在单 一预测 模 型的选 取上 ， 应 根 据 系统 的特征 ， 做适 当遴选 ， 以减少 组合模 型 中的 冗余 方 法 Ｊ 。根据 道 路 交 通 安 全 系 统具 有 灰 色 性 ， 近 年来 中 国道 路交 通事故 表 现 为具 有饱 和状 态 的 ｓ 形过 程 ， 且可 供使 用 的样本 有 限这些特 征 ， 文采 并 本 用基 于 小 样 本 的 灰 色 Ｖ ｒｕｓ 模 型 川 ， Ｖ 回 ｅｈ ｌ ｔ ＳＭ 归 作 为单一 预 测 模 型 ， 利 用 Ｌ ．Ｖ Ｉ 单 一 再 ＳＳ Ｍ【 对
基 于 Ｌ —Ｖ 的道 路 交通 事 故 的非 线 性 组 合预 测 ＳＳ Ｍ
周德 强
（ 长江大学信息与数学学院 ，湖北 荆州 ４ ４ ２ ） 故的预测精度 ， 根据道路交通 安全系统 的特征 ， 出一种基 于 Ｌ —Ｖ 提 ＳＳ Ｍ算法 的道路
交通事故的非线性 组合 预测模 型。实例计算表 明该组合预测模型不仅 比单一预测技 术的预测效 果更好 ， 而且相对 于已有 的组合预测模型也显示出更好 的预测效 果 ， 在交通事故 的预测方面具有一定的应用价值 。 关键词 ： 道路交通事故 ； 非线性组合预测 ；最小二乘支持向量机 ； 交通安全
第２ ９卷第 ３期
Ｖｏ ． ９， ． １２ Ｎｏ ３
西 华 大 学 学 报 （ 自 然 科 学 版 ）
Ｊｕ ｎ ｌｏ ｈ ａ Ｕ ｉｅｓ ｙ ・ Ｎ ｔｒｌＳ ｉｎ ｅ ｏ ｒ ａ ｆＸｉｕ ｎｖ ｒｉ ｔ ａｕ ａ ｃｅ ｃ
２１ ００年 ５月
Ｍａ ． ０ ０ ｙ２ １
文 章 编 号 ：６ ３１９ ２ １ ）３０ ６ －４ １７ ．５ Ｘ（０ ０ ０ －０ ９０
对于道 路交 通事 故 的预 测 方法 ， 目前 已有 大量
能 。另一 方 面 ， 际预测 问题 面对 的是有 限样 本 ， 实 而 上述 组合 预测方 法 中所采 用 的单项 预测方 法 大多都 是基 于大样 本理 论 的 预测 方 法 ， 们 无 法 认定 在 大 我 样 本前 提下 得到 的模 型在 样本有 限 时仍能 得到好 的
ＺＨＯＵ — ｉｎ Ｄｅ ｑ ａ ｇ （ｃｏｌｆＩ ｏ ａｉ ｎ ｔ ｍ ｔｓ ａｇ ｅ Ｓｈｏ ｏ ｎ ｒ ｔ ｎａ ｄＭａｈ ａｉ ，Ｙｎ ￣ ｆｍ ｏ ｅ ｃ ｅ ， ｉｇｈ ｕ４４ ２ ｈ ａ Ｊｎｚ ３ ０ ３Ｃ ｉ ） ｏ ｎ
Ａ ｂ ｔ ａ ｔ Ｉ ｒ ｒｔ ｍ ｐ ｏ ｅ ｔ ｅ ｐｒｄｉｔｖ ｒ ｃｓｏ ｏ ｏ ｄ ｔａｆｃ ａ ｃ ｄ ｎ ，ａ ｎｏ ｉ ｅ ｒｃ ｍｂ ｎ ｔｏ ｏｅ ａ ｔｎｇ ｏ ｏ ｄ ｔａｆｃ ｓ ｒ ｃ ：ｎ ｏ ｄｅ ｏ ｉ ｒ ｖ ｈ ｅ ｃ ｉｅ ｐ ｅ ｉｉｎ ｆ ｒｒ ａ ｒ ｆ ｃ ｉ ｅ ｔ ｎｌｎ ａ ｏ ｉ ａｉ ｎ ｆｒ ｃ ｓｉ ｆｒ ａ ｒｆｉ ｉ
ｃ ｓｉｇ ｏ ａ ｒ ｆ ｃ ａ ｃｄ ｔ ａ ｔｎ ｆｒ ｄ ｔａｆ ｃ ｉｅｎ ． ｏ ｉ
Ｋｅ ｒ ｓ ｒ ａ ｒｆ ｃ ａ ｃｄ ｎ ；ｎ ｎ ｉ ｅ ｒｃ ｍｂ ｎ ｔ ｎ ｆｒ ｃ ｔ ｇ ｅ ｔ ｑ ａ ｅ ｓ ｐ ｏｔｖ ｃｏ ｃ ｉ ｅ ｒ ｆ ｃ ｓ ｆ ｔ ｙ ｗｏ ｄ ：ｏ ｄ ｔａｆ ｃ ｉ ｅ ｔ ｏ ｌ ａ ｏ ｉ ａｉ ｅ ａ ｉ ；ｌａ ｕ ｕ ｐ ｒ ｅ ｔｒｍａ ｈ ｎ ；ｔ ｆ ａｅｙ ｉ ｎ ｏ ｏ ｓ ｎ ｓ ｓ ｒ ａｉ
结 果 。
研究 。但 多 数 方 法 属 单 一 预 测 方 法 ， 由于 预 测
系统 的复杂 性 ， 许 多情 况 下 单 纯利 用 一 种 特定 的 在 预测方 法进 行预测 往 往 具有 片面 性 ， 测 效 果也 不 预 甚理想 。文 献 ［ ］ ［ ］ 出 了组 合 预 测 方 法 ， 些 ５ 、６ 提 这 方 法虽 然取得 了较 单 一 预测 模 型 更 好 的预 测 精 度 ，
ｏ ｔｉ ｅ ｎ ｉａ ｅ ａ ｔｅ ｃ ｍｂ ｎ ｔ ｎ ｆｒ ｃ ｔ ｇ ａ ｐ ｏ ｃ ｒｐ ｓ ｄ ｉ ｉ ｐ ｐ ｒｉ ｎ ｔ ｎｙ ｍｏｅ ｅ ｅ ｔ ｅ ｔ ａ ｅ ｓ ｇｅ ｆｒ ｃ ｓ ｎ ｂａｎ ｄ ｉ ｄ ｃ ｔｓ ｔ ｔ ｈ ｏ ｉ ａ ｉ ｅ ａ ｉ ｐ ｒａ ｈ ｐ ｏ ｏ ｅ ｎ ｔ ｓ ａ ｅ ｏ ｌ ｒ ｆ ｃｉ ｎ ｔ ｉ ｌ ｅ ａ ｔ ｇ ｈ ｏ ｏ ｓ ｎ ｈ ｓ ｏ ｖ ｈ ｈ ｎ ｏ ｉ ｍｏ ｅ ｕ ｌｏ ａ ｈｅ ｅ ｅｔｒｅ ｆｃ ｏ ａ ｅ ｉ ｈ ｘ ｓ ｎ ｏ ｉａ ｉｎ ｆ ｒｃ ｓ ｄ ｌ ｔｉ ｐ ｏ ｅ ｏ ｂ ｐ ｌ ａ ｌ ｒｔ ｅ ｆ ｒ — ｄ ｌｂ ｔ ｓ ｃ ｉｖ ｓ ｂ ｔ ｆ ｔ ｍｐ ｄ ｗ ｔ ｔ ｅ ｅ ｉｔ ｇ ｃ ｍｂ ｎ ｔ ｏ ｅ ａ ｔ ａ ｅ ｅ ｃ ｒ ｈ ｉ ｏ ｍｏ ｅ ，ｉ ｓ ｒ ｖ ｄ ｔ ｅ ａ ｐ ｉ ｂ ｅ ｆ ｈ ｏ ｅ ｃ ｏ

合集下载

基于LS_SVM的非线性系统直接逆模型控制

基于LS_SVM的非线性系统直接逆模型控制


(2) 初始化系统的输入输出和训练参数 , 构
造训练样本 ,使用 L S - SVM 训练系统的逆模型
控制器 f 1 ; (3) 选定参考输入 r;
(4) 根据式 (3) 计算 f 1 的输出 u( k - 1) ,再根 据式 (4) 计算被控对象的输出 y ( k) ;
(5) 如果需要停止控制 ,就退出 ,否则 k = k +
性系统逆模型的建模精度非常高 。
图 8 阶跃信号时 LS SVM 逆模型的输出
图 9 阶跃信号时 LS SVM 逆模型的校验误差
u( k) = g[ y ( k + 1) , …, y ( k - n) , u( k - 1) , …, u( k - m) ] (2)
在建模过程中 , 可将 L S - SVM 的结构选择 与式 (2) 一致 ,利用 L S - SVM 完成对上述非线性 系统映射的逼近 。而且在模型中不存在反馈 ,且利 用了系统的输入输出数据作为辨识信息对支持向 量机进行训练 , 因此有利于保证辨识模型的收敛 性和稳定性 。
以 p 对训练数据{ X ( i) , Y ( i) } ( i = 1 ,2 , …, p) 来训练 L S - SVM 。在构造训练样本时 ,需要注 意的是辨识信号不仅要激励系统的所有动态 , 同 时还要使系统的输入输出覆盖系统所有可能的工 况 ,并着重体现信号的变化过程 。 1. 2 非线性系统的直接逆模型控制原理
控制算法用来控制系统 。
参考图 3 , 假设 f 1 为训练得到的基于 L S SVM 的逆模型控制器 。在逆模型控制算法的运行
过程中 ,逆模型控制器 f 1 的实际输入输出可表示 为
u1 ( k) = f 1 [ r( k + 1) , …, r( k - n + 1) ,
一种LS-SVM在线式短时交通流预测方法

一种LS-SVM在线式短时交通流预测方法

一种LS-SVM在线式短时交通流预测方法康军;段宗涛;唐蕾;温兴超【期刊名称】《计算机应用研究》【年(卷),期】2018(035)010【摘要】针对短时交通流在线预测时存在的计算复杂性问题,提出了一种最小二乘支持向量机在线式短时交通流预测方法.该方法简化了在线学习过程中Lagrange 乘子的求解过程,利用训练数据集滑动时间窗口的移动来控制新样本的加入和旧样本的移除,通过线性运算完成Lagrange乘子的更新,进而完成预测模型的在线更新.测试结果表明,相对已有方法,所提方法在保证预测精度的条件下,能够将在线模型更新时间平均降低约62.64％,是一种有效的在线式短时交通流预测方法.【总页数】4页(P2965-2968)【作者】康军;段宗涛;唐蕾;温兴超【作者单位】长安大学信息工程学院,西安710064;陕西省道路交通智能检测与装备工程研究中心,西安710064;长安大学信息工程学院,西安710064;陕西省道路交通智能检测与装备工程研究中心,西安710064;长安大学信息工程学院,西安710064;长安大学信息工程学院,西安710064【正文语种】中文【中图分类】TP301.6【相关文献】1.一种基于灰色系统的短时交通流预测方法 [J], 王扬;吴建平;许明2.一种组合核相关向量机的短时交通流局域预测方法 [J], 邴其春;龚勃文;杨兆升;林赐云;商强3.一种基于MapReduce的短时交通流预测方法 [J], 梁轲;谭建军;李英远4.一种EMD和DE-BPNN组合优化的短时交通流预测方法 [J], 吴玲玲;尹莉莉;任其亮5.一种EMD和DE-BPNN组合优化的短时交通流预测方法 [J], 吴玲玲;尹莉莉;任其亮因版权原因，仅展示原文概要，查看原文内容请购买。

基于混沌优化的LS-SVM非线性预测控制方法

基于混沌优化的LS-SVM非线性预测控制方法

基于混沌优化的LS-SVM非线性预测控制方法杨红;罗飞;许玉格;梁筱斌【摘要】针对非线性系统的控制问题,提出了一种基于LS-SVM的预测控制技术.该方法将LS-SVM和非线性预测控制思想有机结合,利用混沌映射的特性,通过引入混沌优化技术对LS-SVM参数进行优化,同时又将其作为滚动优化策略,避免了非线性预测控制中复杂的梯度计算和矩阵求逆问题,仿真研究说明了该非线性预测控制器的有效性及实时性.【期刊名称】《计算机工程与应用》【年(卷),期】2010(046)005【总页数】4页(P229-232)【关键词】LS-SVM;混沌优化;预测控制;滚动优化【作者】杨红;罗飞;许玉格;梁筱斌【作者单位】华南理工大学,自动化科学与工程学院,广州,510641;华南理工大学,自动化科学与工程学院,广州,510641;华南理工大学,自动化科学与工程学院,广州,510641;华南理工大学,自动化科学与工程学院,广州,510641【正文语种】中文【中图分类】TP3911 引言预测控制技术是当今工业界应用最为成功的先进控制技术之一。

目前常用的是线性模型预测控制技术，但对具有高度非线性的过程，用线性模型预测控制技术难以获得好的控制性能。

由于生产规模的扩大和复杂程度的提高，使得建立系统的机理模型变得越来越困难。

这导致了通过非线性微分方程模型将线性模型预测控制技术扩展到非线性过程的方法[1-3]受到极大的限制，因而必须研究基于非线性模型的预测和优化方法。

对于难以进行机理建模的复杂过程，利用实际可测量的输入输出数据来辨识模型成为必然选择。

神经网络被证明是建立非线性过程模型的有效手段。

它通过一个连接模型将输入空间映射到输出空间，这个模型能以任意精度逼近非线性函数。

因此，神经网络在很大程度上解决了控制模型难以建立的问题，基于神经网络的非线性预测控制技术也得到了相应的发展。

文献[4]利用神经网络来构建多步非线性预测模型，在神经网络的权值学习过程中，采用了带混沌机制的自适应学习率的BP算法，以提高神经网络的收敛能力和收敛速度。

基于LS-SVM的交通流组合预测模型

基于LS-SVM的交通流组合预测模型

张 朝 元 ， 陈 丽
（． １ 大理 学 院 数 学 与 计 算 机 学 院 ，大理 ６ １ ０ ； ． 理学 院 物 理 与 电 子信 息 学 院 ， ７０ ３ ２ 大 大理 ６ １０ ） ７０ ３
摘 要 ：智能 交通 系统是 目前 世界上公 认 的解决城 市 交通拥 堵 问题 的最佳 措施 ， 实时准确 地 交通流 而
为等式 约束条件 ， 将 误差 平 方 和损 失 函数作 为训 且
练 集 的经 验损失 ， 样就 把求 解 二 次规 划 问题 转化 这 为求解线性 方程组 问题 ， 高求 解 问题 的 速度 和收 提
敛 精度．
诱 导的关 键所在 ． 城市 交 通流 量 变化 受 多种 因素 的影 响 ， 且各 因 素 的作用 机制很 难 用精 确 的 数学 语 言描 述 ， 于一 属 个 时变的 、 复杂 的非线性 大 系统． 了利用全 部有用 为
智 能交 通运输 系统 中的交通 控制 与交通诱 导系
进． 它是 将传 统支持 向量机 中的不 等式 约 束 条件 改
统 目前是 研究 的热 点 问题 ， 时准 确地 交 通 流量 预 实
测， 即有 效地 利用 实时 的 交通 数 据预 测 未来 一 个小
时 以 内 的 交 通 状 况 ， 实 现 有 效 的 交 通 控 制 和 交 通 是
厶 厶 一 １
１
１
Ｎ
１ 最 小 二 乘 支 持 向量 机
最 小 二 乘 支 持 向 量 机是 支 持 向量 机 的 一种 改
为一实值 常量 ， 它决定 了二者 的相对重要性 ．
一
般地， 由于 叫 可 能 为无 限维 的 ， 于是 直接 计
收 稿 日期 ：Ｏ Ｏ ５ ０ ２ １ —Ｏ — ７ 基 金项 目 ： 理 学 院 科研 基 金 资 助 项 目（０ ５ ２ ） 大 Ｚ ０ Ｘ ３