基于svm和k-均值聚类的rbf神经网络短时交通流预测

《基于svm和k-均值聚类的rbf神经网络短时交通流预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：TP273密级：不保密UDC：62学校代码：11065硕士学位论文基于SVM和K-均值聚类的RBF神经网络短时交通流预测管硕指导教师高军伟教授学科专业名称控制科学与工程论文答辩日期2015年6月6日摘要交通出行在日益繁忙的工作生活中愈发显得重要，如何解决道路拥挤，减少交通事故发生率，已经成为世界各国亟待解决的复杂难题。短时交通流的预测作为应对上述问题的方案，因为其具有实时准确等特点，已经被当作智能交通系统（IntelligentTransportSystems，ITS）的主要组成部分。本文首先介绍了K-均值聚类算法的基本理论，它的特点是简单快速，同时应用广泛。在处理密集样本

2、的时候，同时样本中的类彼此线性可分，那么运用K-均值聚类算法所得到的聚类效果就会很出色。在RBF神经网络的支持下，对短时交通流进行预测，得到了比较理想的数据。支持向量机（SupportVectorMachine，SVM）作为机器学习方法中的佼佼者，它能够出色的解决许多算法中的实际问题，比如K-均值聚类算法很容易陷入局部极小值。通过引入支持向量机，我们能够在短时交通流的预测上，得到更加精确的结果。实验结果说明，利用基于支持向量机的K-均值聚类算法，RBF神经网络能够有效的预测短时交通流，证明该模型是有效的。关键词：短时交通流预测；K-均值聚类算法；支持向量机；RBF神经网络Abstr

3、actTraffictravelinanincreasinglybusyworklifeallthemoreimportant,howtosolveroadcongestion,reduceaccidentrates,theworldhasbecomeacomplexproblemtobesolved.Short-termtrafficflowforecastingasaresponsetotheaboveproblemsolutionbecauseithasthecharacteristicsofreal-timeandaccurate,hasbeenusedasamajorco

4、mponentoftheintelligenttransportationsystem.ThispaperintroducesthebasictheoryofK-meansclusteringalgorithm,whichischaracterizedbysimpleandfast,whilewidelyused.Time-intensivesamplehandling,andsampleeachotherlinearlyseparableclasses,thenusetheclusteringeffectK-meansclusteringalgorithmobtainedwill

5、beverygood.InsupportofRBFneuralnetwork,theforecastingoftrafficflow,hasbeenidealdata.Supportvectormachineasthemachinelearningmethodsinthecrowd,itcansolvemanyexcellentalgorithmspracticalproblems,suchasK-meansclusteringalgorithmisveryeasytofallintolocalminima.Byintroducingsupportvectormachines,we

6、areabletopredicttrafficflowon,togetmoreaccurateresults.ExperimentalresultsdemonstratethattheuseofSVMK-meansclusteringalgorithm,RBFneuralnetworkcaneffectivelypredictthetrafficflow,showthatthemodelisvalid.Keywords:short-termtrafficflowforecasting;K-meansclusteringalgorithm;SupportVectorMachines;

7、RBFneuralnetwork目录第一章绪论.................................................................................................................11.1课题的研究背景及其意义..............................................................................11.2智能交