自动控制文献翻译——摘要

在智能交通系统中，短时交通流预测已经成为了一种主要的研究领域。在动态的交通作业环境中，精确的估计交通流量预测在交通管理系统中起到了有效和积极的作用。对于预测短时交通流量，对近期的交通流信息的调查更起到了明显的指示性作用。换句话说，这取决于交通流量数据在不同的时间差异的相对重要意义。尽管，短时交通流预测已经有了许多采用离线方法进行研究工作。在本文提出了一种新的预测模型用于短期交通流预测，称为在线学习加权支持向量回归(OLWSVR)。在线学习加权向量回归法模型与其他预测模型相比，涵盖了人工神经网络模型，局部加权回归，传统支持向量回归和在线学习支持向量回归。结果表明，这种性能的模型优于现在所有模型。

关键词：智能交通系统；在线学习加权支持向量回归；短期交通流预测；监督算法

1 引言

预测高速公路交通流量参数例如交通流量和平均行车速度是智能交通系统( Iintelligent Transportation Systems，ITS)的一个主要研究领域，这些精确的预测参数是高效运营的交通管理系统(Advanced Traffic Management Systems,ATMS)中的重要组成部分。如果交通运行状况可以被准确的预测，交通管理系统可以自动识别并定位及时解决高速公路上遇到的问题。这个系统不仅可以有效地缓解交通问题，它还可以在此类交通事故发生的起始就规避问题。然而，交通信息的时间序列是受到许多不确定性因素的影响。例如车辆碰撞和道路施工，这些都很难进行精确的预测，尤其是短期交通流预测。

要沿着高速公路上的一点来评估全部行车道的交通状况，这需要在每条车道配备至少一个探测器。探测器独立安装，共同构成车辆检测系统(VDS)，车流辆数据进行汇总计算。这些数据主要包括车流量和占用率，时间一般为30秒。

交通流量参数的预测通常以历史时间序列和当前时间序列数据点为特征。即利用历史交通流数据，我们能够预测未来交通流量。因此，基于随时间变化的历史数据集及其相关结果，可以与预测未来数据。图1是在一条高速公路上每间隔一段相同的距离放置一个感应线圈检测器的短期预测的示意图。这些探测器收集大量的信息，包含车流量、车辆占用、平均行车速度，并且每隔30秒将这些数据发送到交通管理中心。所收集的数据随后被用作预测交通流量参数的短期预测模型的输入。

在过去的几十年中已经提出了一些短期预测交通流量的方法，其中包括人工智能和基于优化的方法。这些研究方法是对数据集中任意顺序的时间序列点分配相等的权重。换句话说，这些方法并没有考虑基于时域差分的每个点间的相对意义。这可能导致预测精度的下降，尤其对于时间序列预测来说临近数据更加重要。为了克服这一缺点，孙等人考虑了一种离线方法，这种方法根据不同交通点的时间相位采用不同的权值。如果不同的权值可以有效地利用在线预测方法，这也为算法的改进保留了空间。

因此，考虑到两种在线预测，短期交通流量和在这个领域中地址加权学习研究的缺乏的重要性。本文提出了一种在线的加权支持向量回归机制，它结合了在线加权支持向量回归机制权值学习方法。并将在线学习加权支持向量回归的预测性能(OLWSVR)与这四种常用的模型，即神经网络(NN)，局部加权回归(LWR)，传统的支持向量回归(SVR)和在线学习支持向量回归(OLSVR)相比较。第二节简要回顾了关于交通流量的预测和第三节提出的在线学习加权支持向量回归相关研究。实验结果是在第四节，实验的结论和讨论以及今后的研究发展在第五节。

2 相关的研究工作

自20世纪80年代早期以来，研究人员已经使用了各种各样的短时交通流量预测的研究方法，如箱-詹金斯的自回归求和综合移动模型(ARIMA) 、卡尔曼滤波和非参数统计方法。

另一方面，基于人工智能的方法，如神经网络(NN)、模糊理论和支持向量回归(SVR)已被广泛应用在智能交通系统领域。Dougherty和Cobbett提出利用神经网络反向传播(BP)对高速公路上的交通流量、速度、占用进行短期预测。钟等人提出的滞后时间神经网络模型与遗传算法，用来预测六条城乡道路的短时交通流。另外，郑等人提出了两个混合神经网络，即反向传播(BP)和径向基函数神经网络(RBF)，组合成一种基于条件概率的启发式分配算法和贝叶斯规则理论。Park采用混合模糊神经网络方法，利用初始模糊C均值对交通形态分类成不同集合，并用......