Application Research of Computers
Vol. 33 No. 10Oct. 2016
基于BP神经网络与SVM的快速路
行程时间组合预测研究+
丁宏飞\\李演洪2，刘博2，秦政2
(1.四川省交通运输厅公路规划勘察设计研究院，成都610041; 2.西南交通大学交通运输与物流学院，成都 610031)
摘要：随着视频车牌采集系统的发展与完善，快速路行程时间的动态预测成为了可能。为了提高基于车牌识
别数据的快速路行程时间预测精度及有效性，根据快速路车牌识别数据的特征和所能提取的信息，结合BP神经 网络和支持向量机的预测优点，通过蜂群优化算法对BP神经网络和支持向量机模型的参数进行优化，提出了一 种基于多模型融合预测算法（multi-model fusion algorithm,MMFA)的神经网络或者支持向量机具有更好的预测效果。
关键词：快速路行程时间；车牌识别数据；BP神经网络；支持向量机；组合预测 中图分类号：TP183
文献标志码：A
文章编号：1001-3695(2016)10-2929-04
doi: 10. 3969/j. issn. 1001-3695.2016.10.012
BP
神经网络和支持向量机相结合的组合预
测方法。最后选取成都市三环路某段上的视频车牌数据进行实例验证，结果表明该组合预测方法比单一的BP
Expressway5 s travel time prediction based on combined BP neural
network and support vector machine approach
Ding Hongfei1 , Li Yanhong2, Liu Bo2, Qin Zheng2
Highway Planning, Survey, Design & Research Institute, Sichuan Provincial Transport Department, Chengdu 610041 , China； 2. School
of Transportation & Logistics, Southwest Jiaotong University, Chengdu 610031 , China)
(1.
Abstract ： With the rapid development of license plate recognition system, the dynamic prediction of urban expressway 5 s
travel time shows promising prospect. In order to improve the accuracy and effectiveness of freeway travel time prediction based on the license plate recognition data, this paper made use of data extracted from license plate recognition system, took advantage of BP neural network and support vector machine5 s prediction capability,calibrated BPNN and SVM parameters using artifical bee colony, thereafter introduced a combined BP neural network and support vector machine approach based on multi-model fusion algorithm. Finally the paper presented a case study on Chengdu 3rd Ring Road5 s license plate data. The results shows that this combined approach performs better than BP neural network or SVM alone during prediction session.combined prediction
Key words： expressway5 s travel time ； license plate recognition data； BP neural network； support vector machine (SVM)；
的研究中，基本都是用单一的预测方法对快速路行程时间进行
〇引言
快速路行程时间的预测是智能交通运输系统的核心部分, 并且对整个城市的交通管理与控制具有积极的影响。因此，近 年来快速路行程时间预测的研究受到不少专家学者的关注。 其中具有代表性的有:2004年杨兆升等人[1]提出了基于模糊 回归的城市快速路行程时间预测方法;2007年徐天东等人[2] 构建了一种基于宏观动态流体力学模型的城市快速路行程时 间预测模型,在稳定流和非稳定流条件下能较好地预测两点间 的车辆行程时间;2011年张娟等人[3]提出了基于SVM模型的 快速路行程时间预测方法;2014年黄艳国等人[4]将模糊卡尔 曼滤波理论应用在快速路的行程时间预测。综上可知,在现有
收稿日期：2015-06-19;修回日期：2015-08-10
(2011FZ0050)
预测，并不能较好地避免某一种预测方法的局限性。
在预测数据方面，虽然视频车牌采集系统不断完善，但是 近年来利用车牌照数据进行快速路行程时间预测方面的研究 并不多，其中，张娟等人仅利用车牌数据检测的前几段时间序
列作为SVM的输人，并没有充分利用车牌数据的其他有效信 息，如流量等[3] ;2011年任千里等人[5]在考虑了流量差反映交 通环境信息的基本假定，但其研究只是利用历史平均法、神经网 络、支持向量机和非参数回归模型进行简单预测以及对比结果。
因此，本文拟基于BP神经网络和支持向量机模型构建行 程时间组合预测模型,在保证BP神经网络和SVM各自优点的 同时，充分挖掘车牌照数据的有效信息,提高基于车牌照数据 的快速路行程时间预测的精度和适用性。
基金项目：国家自然科学基金资助项目（51308475 );四川省科技支撑计划资助项目
作者简介：丁宏飞（1985-)，男，重庆梁平人，博士，主要研究方向为交通信息处理（5dingfei@163.com);李演洪（1991-)，男，硕士研究生，主要 研究方向为交通信息处理；刘博（1990-)，男，博士研究生，主要研究方向为交通信息处理；秦政（1992-)，男，硕士研究生，主要研究方向为交通信息处理.
• 2930 •计算机应用研究第33卷
1
预测方法介绍
1.1
BP
神经网络预测模型
神经网續是_对人脑钽親结构与截动机制的初步儀;满基鄉 上握出的一种新型植息处義方法D老能够有*反腴_线性时间 序列在时延状恣空间中的相关特性，进而实现预灘目标。本文 采用
BP神鏡興络作为构藤组合瓶顧模型的其一种方法,BP
神经W络蘧一种多层前馈神经网絡，其魏斑是t:食一个神经网絡 中，最逢要的参数即各层之间的趙权重，而该权重可借助误差 戾传算法进U计算。_丨一个神■网络模藥眞过不断地“ •习” 获取输人和输出变量之间的映射关系之后，就能根据给定的输 入对输出进行预测[6'7] _拓扑结构如图1所示。
bp
神经网络的计算过程为:利用历史数据集r,其
中 '表示输人变魅燊，可由若干个不同属性数据构成，方作为 相对应的输出值，m表示训练样本的个数a将历史数据-t,.与
y,放进神经网络糢型中进行学习，即可在输入和输出之词建立
映射关系。最后》若输入为影响当前行程时间的状态值，即可逋过BP神凳网络翁_目前路段行親时间的预测值h
1.2支持向量机理论
构建组合预测模型的另一种方法则是支持向量机，支持向 _机_&展过義^被发现能雜很好地獻屏于求解回归M题。 在j支持向量机同归中引人损失函数&与支持向量机分类机制 一样，要求结构凤险达到最小以及分靜面间隔最大—
。
支持向量飢HJfe枢对于it他求觞補妇何题前方法而氣s优 势霍:于能够利甩.非线性映射少(_*)的方法将低:维壞S:间中的
非线性数据w表达處高乘度食闾中的翁性数据*.)，进而将 非线性:回归间题转换成线性回_旬题进行求解，其电非魏性回 隊程慰如式(1)所示。
f(x) =w • ^(x) +b
(1)
武中_: dK-t)为雄线性陕射.的表达形.式;w.为_函歡的复杂應&为
傭置羹。
系数w与6的确定依靠对式(2)进行最小化来求解。
mfi = i ii»i2+ci s 1,^ j j
m式中人为损失函数^为惩罚因f。
以不敏感损失國数s作为结构凤险最小化的估计坷題3丨 人松她变量§、‘，使优化目标表达成式(3)所示的优化问题。
ttin
^||.«，Z- ls+Ci —S 1(|j
+|i*J (3)
_r,- -w * <5{*i)
s. t.
■ w ■ f(x) = %l：X E.SV+b (4) 式中::•£(*;,A)) =< 5(3^〉■•少(今)是核函数。 1.3参数分析 对乎BP神霞网络中各g之间.的连接权偉以及初始 化隐含扇阈值ff、输出层_值6,在开始训练之前是随机初始化 为{〇 4:] ®僮，这种没有绘过优化的随机初始僮通常舍降低神 ■网络拥收敛效率，:有时甚至会使神避网祭计算不能取得整体 的最优觯，而是局部最优傭。综上臟，对嗜BP 神经网络模 型,本文主要优化其连接权值及阈值。 对于支持向逢机同:归模盡中核函数的选择,在先验知识不 足的状况下，很多研究指出，RBF榱函数对预铡的效巣较好。 因此本文选择RBF为支持向量机训练的核函数，需要确定的 #».%不敏感参数心惩罚系数C和宽度義数r111'121。其中， ci *表示模型对超出s间隔的数据的惩罚力度，攀响模型的 稳定性W;!饔起到直翁体现在模型中激据不敏感范圓的宽 度，其直接影响到支持向量的数量;7主要影响数据映射至高 维空间里的复杂度，表示各支持向:量之间的关联度9由以篡分 析可知,SVR模型铟复杂廩、精廩和泛化能力等特性生要 C、a、y 这些鑫数的犬.小以及它们之间前类系的.秦術。秦文主 :叢优化惩罚系数G及宽度系数7这两个参親。 2组合优化预测算法 2.1预测模型的输入变量选择及参数优化 车辆在快速路的当前行程时间不仅踉前》个时段的行輕 时间存在关系，同时还受到快速路交通流条件的影响。根据格 林希尔治樣寒中流量导速度的关系可以:看出，突通流量与车辆 街驶速度存在密切的关襄，®交通组成，即车辆类：塑比例也对 快速路交通状况#在较大的影响，爾而攀响车辆的行程时 并且,交通状况对行.程时间的影响具有一定的滞后性，即前一 时段的交通流状况也会斌_=前时段的_輕时间产生影晌，即存 在以下的函黎关系式13.5]: =/(U._:' …■C.-p H i '¥*-1) ⑴ 式中:^.表示预测时段车辆实际行導时间的平均:值表示 预测时段前《个时段的车辆实际行程时间的各时段平均直; n = 1，2_.，…，n,本文中n 取3; Hi 分别示臂前时段和前一 时段的交通流羹;,^_、7^分别表示当前时段和前一时段的大车 流量比例® 综上所述，本文将采用前三个时段的实际行程时间、检测 路段磁应的视频检测器在舍输时朝I及讀一財段裣测到的交通 流量及大车爾钶作为 BP 神邀网络和支持向量机预测模 型的输人，将视频检测器所检测的当前实际行程时间作为“:真 值”，对鑛测模型进行姻练及检验，結构如图2所汰 图2城市快速路多源交通信息融合模型 第10期 丁宏飞，等：基于BP神经网络与SVM的快速路行程时间组合预测研究 • 2931 • 本文选取人工蜂群算法（ABC)优化BP神经网络和支持 向量机模型的参数。人工蜂群算法是模仿蜜蜂采蜜行为而提 出的一种群智能优化方法，借助人工蜂个体的局部寻优行为, 最终在群体中寻找到全局最优解，该算法的收敛速度快[13'14]。 ABC 算法将人工蜂群分为引领蜂、跟随蜂以及侦察蜂三种类 型,其中引领蜂与跟随蜂用来开采蜜源，也就是寻找最优解，侦 察蜂则用来观察判断是否陷人局部最优。每个蜜源代表一个 可行解，蜜源的花蜜量对应相应解的质量，即适应度值&,。在 算法搜索过程中，开始时刻在搜索空间生成初始解*,(* = 1,2， ），W为蜜源数量,每个解是一个d维向量。初始化之 后，这个蜜蜂种群则会在搜寻过程中进行重复循环，直至达到 最大迭代次数（MCN)或误差允许值。 由于BP神经网络的连接权值与阈值的优化基本上与支 持向量机的优化过程类似,所以本文选取支持向量机的参数优 化进行详细介绍，其优化过程为： a) 确定人工蜂群的群体数量确定侦察蜂占群体蜜蜂量的比例，通常大于10% ,便于收敛。 b) 初始阶段，全部蜜蜂都作为侦察蜂，在给定范围内随机 选取W个蜜源，也就是随机选择W组（C,y)的组合参数。 c) 计算这W个蜜源的质量,初始蜜源的质量由其单点的 分类准确率来确定。若品质低，则根据式(6)产生一个新蜜源 替代旧蜜源。 vij =xij -Xkj') (6) 式中:Ase |1，2,… ， 則 j+se |1，2,… ， d !，且^:^表示在^个蜜 源中随机选择一个不等于*的蜜源是[-1,1]均匀分布的 随机数，决定扰动幅度。 而根据蜜源品质,跟随蜂按照式(7)计算的比例跟随至各 个蜜源并开采。 P, = fit ,/i -1 1 fit , (7) d) 跟随蜂跟随至各蜜源之后，在蜜源邻近的连续区域范 围内进行采蜜，以此判断存在于这一蜜源的最优品质点。其 中，蜜源附近各个蜜源点的确定方式采用式(8)确定。 +rand(0，l) Omaxj (8) e)经过一轮的采蜜后,蜂群返回蜂巢，根据各蜜源的质量 更新各蜜源的采蜜蜂分配比例，返回步骤b)重新开始采蜜。依据上述步骤循环进行，最终可得到最优的蜜源点，即最 优的SVM参数（C,7)。同理，随机选择BP神经网络需优化的 连接权重和阈值参数的初始值，通过ABC优化算法亦可得到 BP神经网络的参数优化结果。 2.2多预测方法组合 仅使用单一的预测方法，即使其优点再多、预测精度再高， 在不同道路状况下、不同时间范围内都会存在一定的缺点。如 果可以综合利用多种预测方法的输出信息，并将精度高的输出 数据占据比较大的权重，相应地精度低的输出数据占较低的权 重，最后使这几种预测的输出结果进行融合，则不仅能够提高 交通数据短时预测的精度，又能够保障预测误差的稳定性。因 此本文选取多模型融合预测算法（MMFA)融合BP神经网络 模型与SVM模型，从而发挥BP神经网络和支持向量机各自的 预测优点[6>17]。 2. 2. 1 模型融合预测算法（MMFA)的步骤 多模型融合预测算法是一种基于数据融合思想的新型交 通参数短时预测方法，该方法在应用过程中主要步骤有两个：a) 基本方法预测。将视频采集数据挖掘的前三个时段的 行程时间、流量、大车流量比例等作为BP神经网络和SVM的输人,分别预测得到当前时段的行程时间预测值^和 b) 预测结果融合。针对于A：时段,依据基本预测方法在A： 时段的前几个时段的动态误差对这两种方法的预测结果进行 数据加权分析，所获取的新预测值就是多模型融合预测的结果 计算方法如式(9)所示。 Tl^co\\T\\+c〇lTl (9) 式中:以、分别对应BP神经网络和SVM预测值相对应的 权重。 2.2.2 多模型融合的权重确定 在多模型融合过程中,权重对最终的预测结果起到了关键 的作用。传统的确定方法，如调查法、统计分析方法、单因素分 析方法等给每个因素的权重是固定不变的。但在实际预测过 程中，预测的精度并不是一直保持稳定，因此MMFA针对预测 数据的融合权重设计了可以随着预测误差变化而持续调整的 计算过程，保证基本预测方法中精度较高的预测结果对最终的 预测结果起到相对较大的影响程度。基于此设计，引人动态误 差的概念，动态误差随着时间的推进，能够反映预测方法在前 一段时间内的预测效果。 定义动态误差为 «心 （左） + e«r,,(i：-1) + … ] (1〇) 式中:&,( 表示方法*在时段的动态误差，实际上是之前 ™时段内方法i的&,(A〇均值,i = 1,2,分别对应BP神经网络 和SVM模型;™表示误差累积数，本文取5;(A)表示A时段 方法*预测分析得到的相对误差的绝对值的计算公 式为 式中：K表示A时段的实测数据；？1表示方法*在 A 时段的预 测值。 在获得各种预测方法的动态误差值的基础上，可以分析得 到各种预测方法结果的数据融合权重，主要运用的方法为反比 例法，通过(A -™)时段的动态误差来分析得到A时段的预测 结果权重，要求是一个随^, (A - 1)变化而不断变化的函 数。反比例法的应用准则为:融合的权重和动态误差须呈反比 例关系，即运用反比例法获取初始权重S i 的值： ^eiAAk^~TTl> (12) 接着对初始权重(A〇作归一化处理，获得最终各方法 预测结果的融合权重为 <4=;^ (13) 2.3模型评价指标说明 a) 为了评价模型的预测效果,本文将BP神经网络、SVM 与组合预测进行对比，通过横向对比来突出组合模型的预测特 点及适应性。 b) 在交通信息预测中通常采取的评价指标有MRE、LSE、 MAE、MSE、RMSE等，为简化起见，本文采取拟合能力和相关 总• 2932 • 计算机应用研究 第33卷 性两项指标作为评价预测效果的标准。其中,平均相对误差 ( MRE)是指预测值与实际值之间的平均相对误差，反映了预 测值与寘值之间的总体差异，因此能很好地评价预测模型的精 度;而最小误差平方和( LSE)即评价预测值与真值之间相关性 的指标，其值愈小,则表明预测值与实际值之间的相关程度愈 高。这两个指标的计算分别如式（14)和（15)所示。 M RE = —n iE = 1 TkTh ~ ^ (14) / 1 n a LSE = V J ^n lk (= iT--------k-Tk)2 (15) —1 n x / n k=i 式中:A__表本样本次序 ,,A = 1,2，…，《，《 _亦祥本魅;_亦实 际值土表示预测值。 3 实例验证 3. 1 融合数据准备本文选取成都市 H环路视频采集系统采集的车牌照数据 作为预测的基础数据，时间为2014年11月19 p中午11点整 到13点整。以3 min作为间隔，将该段数据分为4〇份。地点 选择在三坏路主道苏坡立交至羊犀立交段内侧行驶方向的两 处视频检测器构建起来的路段，分别对应的检测器编号为 3014-242051、3014-242052 与 3014-242061、3014-242062。具体 的原始数据形式及数据字段说明分别如图3和表1所示。 图3成都市视频采集原始数据信息截图（部分) 表1 视频数据部分字段信息说明 序曹 雜名 数据类型 含义1DEVICEIDvarchar设备编号 2VEHICLETYPEnumber:车辆类型3PLATENOvarchar车牌号4PLATECOLORnumber车牌颜色5DIRECTIONnumber..雜 6LANEN0number车道 7SPEEDdecimal.碰. 8DEVICELOCATION varchar拍摄路段 9 CAPTIME datetime 拍摄时间 3.2参数设定 经过多组实验对比，发现 BP神经网络在反馈层数暈设为 5、网络训练学习的最大次数设为1〇〇〇时的预测效果最隹;支 持向遍:机中设定C 、7的取值范围初步设定为 CE (0. 1，100)， 7 E (0. 01,1000)，最后经由蜂群算法进行优化确定最终的最 佳取值 Q 经过多次实验，蜂群算法中的蜜源数量祝设为10，蜜源的 最大循环次数为50。为了保证足够的循环次数以及一定的程 序运算效率，终止循环次数设为1000。3.3结果分析 由铲快速路行程时间并不适合于长时间预测本文只预测 当前时间后的六组数据。将11 :〇〇 ~ I 2:42的历史数据作为支 持向量机和 BP神经网络的训练样本，根据设定的参数以及优 化预测的原理及步骤，通过MATLAB软件编程实现，即可得到 预测值。_4呈现 T BP神经网络、SVM及两种方法组合预测 12:45 ~ 13 :00的输出结果与实际值的比较情况。 从图4可以看出，相对 SVM和BP神经网络预测方法，组 合预测的预测值能较好地贴合实际行程时间的变化情况，特别 ，是在12:45 ~ 12:51期间的三个行程时间预测值，与实际值拟 合度很高，在12:45 ~ 12:48两时刻中的组合预测均比其他预 测值精度高，说明该组合预测方法更适合于短期预测。 为了进一步说明组合预测的短时预测效果，本文依据现有 数据扩充预测，以11:09 ~ 12:51的历史数据作为支持向量机 和 BP神经网络的训练样本，采取与前面一样的参数设定，预 测12:54 ~ 13:09的六组数据，得出如图5所示的预测结果图。 从图中可以看出，12:54 ~ 13:00这三个时间点的组合预测值 与实麻值最接近,进一步说明了该组合预测适合短时预测的 #ffi〇 目前快速路检测数据的更新时间通常在5 min以内，而本 文的组合预测模型在前9 min内的预测精度均较高#说明该组 合预测模型适合于快速路短时预测;并且依据整个六组数据的 趋势来看，组合预测结果波动较为稳定，直观地反映了组合预 测方法的合理性^ 在评价指标方面，从表2可以看出，相对 SVM和BP神经 网络预测的相对误差，组合预测方法的MRE和LSE值均较 低，表明组合预测方法的精度较高，且预测值与实际行程时间 更接近，说明本文的组合预测模型具有更好的性能。 表2 各预测方法的评价指标结果 评价指标 MRE/% LSE 组合预测 2.99 0.037 577SVM预测 3.310.039 173BP神糊.麵测 5.050.052 637 4结束语 本文提出T *—种不同于传统的以车牌照数据为基础的城 市快速路行程时间预测方法，结合 feBP神经网络与支持向 机的预测优点，在融合它们的预测动态误差（下转第2936瓦） • 2936 •计算机应用研究第33卷 号之前士中2号节点则成了 1、3号之后，这是逆序了，但1、3 节点本身的相对排序没有变，因此只有〇. 5的逆序。 以上例子说明了本排序相似度定义是合理的。依照本定 义得到主客观排序相似度为： a) AHP1 明其刻画排序整体相似性有效。此类衡量排序效果的方法比 较少见,能给有排序应用领域的研究者一定帮助。参考文献： [1 ] Newman M E J. Networks an introduction [ M]. New York： Oxford University Press ,2010 ： 168-169. [2] Kitsak M, Gallos L K, Havlin 与AHP2排序相似度:0. 7085。 排序相似度:0. 9953。 b) 客观与AHP2 c) 客观与 AHP1:0.7237。 S,et al. Identification of influential spreaders in complex networks[ J]. Nature Physics, 2010,6 ( 11)：888-893. [3] Hage P,Harary F. Eccentricity and centrality in networks[ J] • Social 可以看出,客观赋权与熟悉情况下的主观赋权AHP2有极 强相关，相似度达到0.995 3,接近于1的完全相关。而不熟悉 与熟悉情况下的赋权AHP1与AHP2相关度则相对较低，只有0.708 5,显示两者的排序出现一定差异。说明客观赋权的排 序结果基本反映了熟悉情况下的主观排序结果。因此建议，对 熟悉的指标和应用领域可以采用主观赋权得到较佳的排序效 果;反之如果不是很熟悉，则应该考虑客观赋权,从数据本身获 得权值，避免不熟悉情况下主观人工赋权带来的偏差。 [5] [4] Networks, 1995 ,17 (1) ：57- 63. Freeman L C. Centrality in social networks conceptual clarification [J], Social Networks, 1979,1 (3) ：215-239. Freeman L C. A set of measures of centrality based on betweenness [J], Sociometry,1977,40(l) ：35-41. [6] Bonacich P. Factoring and weighting approaches to status scores and clique identification [ J ]. Journal of Mathematical Sociology, 4结束语网络节点重要性排序是很多应用问题的理论基础,受到计 算机科学、社会学、物理学等多个学科的重视。属于交叉学科 的前沿研究热点。目前多数研究还是以单属性衡量进行的排 序，具有片面性。多属性综合下的网络重要性排序研究受到重视。 已有研究中使用主观赋权法进行综合排序，实验显示，使 用者对指标和领域很熟悉的情况下，能够取得较佳排序效果, 但是不熟悉的指标和领域排序结果与熟悉情况下的赋权排序 结果出现差异。而本文提出的基于熵值分析的客观赋权法，由 于完全依靠客观数据给出的信息,具有较强的理论依据。实验 显示与熟悉情况下的主观赋权排序表现出极强相关性,能够帮 助不熟悉指标的使用者进行排序。 为了比较排序的效果，本文自定义了排序相似度,实例说 (上接第2932 1972,2(1) ：113-120. [7] 任晓龙，吕琳媛.网络重要节点排序方法综述[J].科学通报， 2014,59(13) ：1175- 1197. [8] 于会，刘尊，李勇军.基于多属性决策的复杂网络节点重要性综合 评价方法[】].物理学报，2013,62(2):020204. [9] 郭世泽，陆哲明•复杂网络基础理论[M] •北京：科学出版社， 2012. [10] 章穗，张梅，迟国泰•基于熵权法的科学技术评价模型及其实证研 究[J]•管理学报，2010,7(1) :34-42. [11] Magnani M, Micenkova B, Rossi L. Combinatorial analysis of multiple network [ EB/OL] .2013. http：//arxiv. org/abs/1303.4986. [12] 王娟，李飞，刘兵，等•融合层次分析法的PSO云存储任务调度算 法[】].计算机应用研究，2014,31 (7):2013-2016. [13] Newman M E J.网络科学引论[M].郭世泽，陈哲，译•北京：电子 工业出版社，2014:119. 基础上，通过MMFA模型将两种预测方法组合 [8] dia,2012,4：409-415. 丁宏飞•基于智能优化算法的支持向量机回归及其应用[D] •成 都：西南交通大学，2011. [9] 成一种新的预测方法;针对快速路交通流的特性，模型输人除了历史平均行程时间还考虑了交通流量以及大车流量比例;利用采集得到的车牌照数据，对快速路行程时间进行短时预测，并用两个指标对预测值与实际行程时间进行比较，说明了本文提出的组合预测模型是可行和有效的。参考文献： [1] 杨兆升，保丽霞，朱国华.基于Fuzzy回归的快速路行程时间预测 汪材印•灰色关联分析和支持向量机相融合的网络安全态势评估 [J] •计算机应用研究，2013，30(6) :1859-1862. [10] Wu Chunhsin,Ho Janming,Lee D T. Travel-time prediction with sup port vector regression [ J]. IEEE Trans on Intelligent Transporta tion Systems,2004,5(4) ：276-281. [11] 杨钟瑾•核函数支持向量机[J].计算机工程与应用，2008,44 (33) ：1-5, [12] 闫国华•朱永生•支持向量机回归的参数选择方法[J] •计算机工 模型研究[J].公路交通科技,2004,21 (3) :78-81. [2] 徐天东，都媛，孙立军.一种新的城市快速路行程时间预测技术 [J].交通与计算机,2007,25(2) :83-90. [3] 张娟，孙剑.基于SVM的城市快速路行程时间预测研究[J].交通 程，2009 ,35(13) :218-220. [13] 秦全德，程适，李丽，等•人工蜂群算法研究综述[J]•智能系统学 运输系统工程与信息,2011,11 (2) :174-179. [4] 黄艳国，许伦辉，邝先验.模糊卡尔曼滤波在快速路行程时间估计 报，2014,9(2):127-133. [14] 刘路，王太勇•基于人工蜂群算法的支持向量机优化[J].天津大 中的应用[幻.吉林大学学报:工学版,2014,44(3):648-653. [5 ] 学学报，2011，44(9):803-808. [15] 吴孟俊，刘建平，牛玉刚•一种非线性降维算法在组合预测模型中 任千里，刘恒，雷晓斌，等.基于车牌照数据的城市快速路行程时 间短时预测方法研究[J].交通与运输,2011(B12) :61-65. 的应用[J] •计算机应用研究，2〇11，28(5) :1961-1%4. [16] 朱文骥•基于MMFA模型的河流封冻日期预测[J] •科技创业月 [6] 张雨浓，劳稳超，丁玮翔，等.基于ARIMA与WASDN加权组合的 时间序列预测[J].计算机应用研究，2015 ,32(9) :2630-2633. [7] Chen Yun,Yi Zichun. The BP artificial neural network model on ex pressway construction phase risk[J]. Systems Engineering Proce- 刊，2006,19(2):198-199. [17] 江龙晖•基于数据融合的城市快速路交通参数短时预测方法研究 [D]•长春:吉林大学，2001. 因篇幅问题不能全部显示，请点此查看更多更全内容