中文核心期刊
CSCD来源期刊
中国科技核心期刊
RCCSE中国核心学术期刊
重庆交通大学学报（自然科学版）

重庆交通大学学报（自然科学版） ›› 2012, Vol. 31 ›› Issue (4): 832-835.DOI: 10.3969/j.issn.1674-0696.2012.04.24

• • 上一篇    下一篇

基于PSO-SVM 的交通流量短时预测

王树洋，黄天民，方新   

  1. 西南交通大学数学学院，四川成都610031
  • 收稿日期:2011-11-28 修回日期:2012-03-16 出版日期:2012-08-15 发布日期:2015-03-12
  • 作者简介:王树洋( 1986—) ，男，山东泰安人，博士研究生，主要从事机器学习、人工智能方面的研究。E-mail：swjtusywang@163.com.
  • 基金资助:
    国家自然科学青年基金项目( 61100046) ; 四川省应用基础研究计划项目( 2011JY0092) ; 中央高校科研业务费专项资金项目( SWJTU11ZT29)

Short-Time Prediction of Traffic Flow on the Basis of PSO-SVM

Wang Shu-yang，Huang Tian-min，Fang Xin   

  1. College of Mathematics,Southwest Jiaotong University,Chengdu 610031,Sichuan,China
  • Received:2011-11-28 Revised:2012-03-16 Online:2012-08-15 Published:2015-03-12

PDF

摘要： 参数选择问题影响了支持向量机预测模型在交通流量中的预测性能。为了解决支持向量机预测模型的参数 选择问题，引入了粒子群优化算法机制，通过粒子群优化选择支持向量机预测模型的学习训练参数，得到较优的 PSO-SVM预测模型。通过实例仿真实验，将PSO-SVM预测模型与神经网络预测模型进行了比较，显示了其优越 性。

关键词: 支持向量机, 粒子群优化算法, 神经网络, 预测, 交通流量

Abstract: Parameter selection for SVM exerts influence on the predicting function of SVM prediction model in traffic flow． The present paper introduces PSO optimization mechanism to solve parameter selection of SVM． The way is to select SVM training parameters by PSO; then better PSO-SVM prediction model is obtained． Finally the paper compares PSO-SVM prediction model with neural network by means of simulation experiments and shows that PSO-SVM prediction model has advantages over neural network．

Key words: support vector machine( SVM) , particle swarm optimization( PSO) , neural network, prediction, traffic flow

中图分类号: