基于改进PSO优化SVR的交通事故预测模型

doi:10.3969/j.issn.1006-2475.2014.05.007

计算机与现代化 ›› 2014, Vol. 0 ›› Issue (5): 28-32.doi: 10.3969/j.issn.1006-2475.2014.05.007

基于改进PSO优化SVR的交通事故预测模型

江南大学物联网工程学院轻工过程先进控制教育部重点实验室,江苏无锡214122

收稿日期:2014-01-09 出版日期:2014-05-28 发布日期:2014-05-30
作者简介:李童(1987-),男，山东聊城人,江南大学物联网工程学院轻工过程先进控制教育部重点实验室硕士研究生,研究方向:人工智能；毛力(1967-),男,江苏无锡人,副教授,研究方向:人工智能和数据挖掘; 吴滨(1970-),男,江苏无锡人,讲师,研究方向:工业自动化。
基金资助:
轻工过程先进控制教育部重点实验室开放课题资助项目（APCLI1004）；国家青年科学基金资助项目（F030204）；现代农业产业技术体系专项资金资助项目 (CARS-49); 江苏高校人文社会科学校外研究基地:中国物联网发展战略研究基地资助项目

Traffic Accident Forecast Model Based on SVR Optimized by Improved PSO

Key Laboratory of Advanced Process Control for Light Industry (Ministry of Education),School of Internet of Things, Jiangnan University, Wuxi 214122, China

Received:2014-01-09 Online:2014-05-28 Published:2014-05-30

摘要/Abstract

摘要： 为了有效预测交通事故，提出一种基于改进粒子群算法优化支持向量回归机的预测模型。改进粒子群算法利用网格搜索对全局最优粒子的邻域进行精细搜索，结合粒子群算法较快的收敛速度和网格搜索较强局部搜索能力的优点，提高了支持向量回归机相关参数的优化精度，进而改善了交通事故预测模型的预测性能。仿真结果表明，基于改进粒子群算法优化支持向量回归机的交通事故预测模型达到了较快的学习速度和较高的预测精度，具有良好的工程应用性。


关键词: 粒子群优化, 网格搜索, 支持向量回归机, 参数优化, 交通事故预测

Abstract: In order to predict traffic accidents effectively, this article introduced a traffic accident forecast model based on SVR optimized by improved PSO. The improved particle swarm algorithm searches the neighborhoods of the global optimal particle by grid search which combines the faster convergence speed of the particle swarm algorithm with the stronger local search ability of the grid search. The improved particle swarm algorithm improves the optimization precision of SVR parameters and improves the performance of the traffic accident prediction model. The simulation results show that the traffic accident forecast model based on SVR optimized by improved PSO gets faster learning speed and higher prediction precision, it is of good engineering applicability.


Key words: particle swarm optimization, grid search, support vector regression, parameter optimization, traffic accident forecast

中图分类号:

TP301.6

李童,毛力,吴滨. 基于改进PSO优化SVR的交通事故预测模型[J]. 计算机与现代化, 2014, 0(5): 28-32.

LI Tong, MAO Li, WU Bin. Traffic Accident Forecast Model Based on SVR Optimized by Improved PSO[J]. Computer and Modernization, 2014, 0(5): 28-32.

参考文献

［1］孔令铮. 交通事故致因中的人为因素分析［J］. 中国安全科学学报, 2013,23(1):28-34.
［2］ Smruti Rekha Das, Kaberi Das, Debahuti Mishra, et al. An empirical comparison study on kernel based support vector machine for classification of gene expression data set［J］. Procedia Engineering, 2012,38:1340-1345.
［3］ Bai Liming, Lin Hui, Sun Hua, et al. Remotely sensed percent tree cover mapping using support vector machine combined with autonomous endmember extraction［J］. Physics Procedia, 2012,33:1702-1709.
［4］顾亚祥,丁世飞. 支持向量机研究进展［J］. 计算机科学, 2011,38(2):14-17.
［5］刘道文,忽海娜. 基于网格搜索支持向量机的网络流量预测［J］. 计算机应用与软件, 2012,29(11):185-186,247.
［6］ Shrime A E, Yousefi M. Recognition of the communication signals using particle swarm optimization and support vector machine based on the multi-resolution wavelet analysis［J］. Wireless Personal Communications, 2012,63(4):847-860.
［7］ Li D S, He Q. A version of cooperative multi-swarm PSO using electoral mechanism to solve hybrid flow shop scheduling problem［J］. Przegland Elektrotechniczny, 2012,88(5b):22-26.
［8］〖JP2〗Wang Jianlin, Feng Xuying, Yu Tao. A geometric approach to support vector regression and its application to fermentation process fast modeling［J］. Chinese Journal of Chemical Engineering, 2012,20(4):715-722.
［9］司利云,林辉. 支持向量回归机模型结构及性能的研究［J］. 计算机工程与应用, 2008,44(32):53-55.
［10］罗瑜,李涛,王丹琛,等. 支持向量机中核函数的性能评价策略［J］. 计算机工程, 2007,33(19):186-187,198.
［11］Xu Z Q, Li P W, Wang Y X. Text classifier based on an improved SVM decision tree［J］. Physics Procedia, 2012,33:1986-1991.
［12］Qi Z Q, Tian Y J, Shi Y. Structural twin support vector machine for classification［J］. Knowledge-Based Systems, 2013,43:74-81.
［13］Chu W, Gao X G, Soroosh S. Handling boundary constraints for particle swarm optimization in high-dimensional search space［J］. Information Sciences, 2011,181(20):4569-4581.
［14］Liang J J, Qin A K, Suganthan P N, et al. Comprehensive learning particle swarm optimizer for global optimization of multimodal functions［J］. IEEE Transactions on Evolutionary Computation, 2006,10(3):281-295.
［15］陆春霞,马少辉. 基于网格搜索的船体不规则分段动态堆放方法［J］. 计算机应用, 2013,33(2):333-337.

[1]	潘思源, 张伟. 基于改进LSTM算法的锂电池SOC估计[J]. 计算机与现代化, 2023, 0(08): 25-30.
[2]	刘付琪, 张达. 基于PSO-DBN的液压系统冷却器故障诊断[J]. 计算机与现代化, 2023, 0(06): 7-14.
[3]	潘裕庆, 张苏宁, 冯仁君, 景栋盛. 结合粒子群优化和LightGBM的入侵检测方法[J]. 计算机与现代化, 2023, 0(04): 123-126.
[4]	曾依浦, 戴毅茹, 陈雨田. 基于反向学习和精英提升的无速度项动态粒子群算法[J]. 计算机与现代化, 2023, 0(03): 113-120.
[5]	王颖颖, 庄毅, 孙逸帆. 基于粒子群优化BP神经网络的可靠性评估模型[J]. 计算机与现代化, 2022, 0(12): 42-49.
[6]	周昌野, 李程. 基于GS-LSTM模型的铁路货运量预测[J]. 计算机与现代化, 2022, 0(10): 24-28.
[7]	王磊, 宋波. 基于ADE-Stacking的心力衰竭非计划性再入院风险预测模型[J]. 计算机与现代化, 2022, 0(01): 23-27.
[8]	黄旭彬, 梁树杰. 基于PCA融合PSO-SVM的运动想象脑电信号分类方法[J]. 计算机与现代化, 2021, 0(03): 70-76.
[9]	奚杏杏，刘宇红，张荣芬. 基于网格搜索与交叉验证的SVR血压预测[J]. 计算机与现代化, 2020, 0(03): 44-.
[10]	曹帅帅，陈雪鑫，苗圃，卜庆凯. 基于PSO与K-均值聚类算法优化结合的图像分割方法[J]. 计算机与现代化, 2020, 0(01): 22-.
[11]	张利娟1，仇建伟1，杜登崇2，王鑫1. 基于Spark和PSO算法的军事物流配送路径优化问题研究[J]. 计算机与现代化, 2018, 0(11): 65-.
[12]	商志根，段小汇. 基于PSO与LS-SVM的作物需水量预测[J]. 计算机与现代化, 2018, 0(10): 44-.
[13]	周頔1,2. 基于改进量子粒子群算法的支持向量机参数优化方法[J]. 计算机与现代化, 2018, 0(09): 27-.
[14]	姜苏英. 基于改进PSO算法的加热系统分数阶控制[J]. 计算机与现代化, 2018, 0(07): 39-.
[15]	石强强1，赵应丁2,3，杨红云2,3. 基于SVM的酒店客户评论情感分析[J]. 计算机与现代化, 2017, 0(3): 117-.

基于改进PSO优化SVR的交通事故预测模型

Traffic Accident Forecast Model Based on SVR Optimized by Improved PSO

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价