基于ＳＶＲ的電梯交通流時(shí)間序列預(yù)測(cè)

2012年03月21日15:27:20 本網(wǎng)站我要評(píng)論(2)字號(hào)：T | T | T

關(guān)鍵字：應(yīng)用

唐海燕，于德亮，丁　寶，齊維貴
哈爾濱工業(yè)大學(xué)電氣工程及自動(dòng)化學(xué)院，黑龍江哈爾濱

摘　　　要：為了使電梯群控系統(tǒng)更好地跟蹤電梯交通流的變化以提高群控系統(tǒng)的性能，提出了基于支持向量回歸（ＳｕｐｐｏｒｔＶｅｃｔｏｒＲｅｇｒｅｓｓｉｏｎ，ＳＶＲ）的電梯交通流預(yù)測(cè)方法。針對(duì)電梯交通流時(shí)間序列小樣本的特性，考慮了電梯交通流的橫向和縱向變化趨勢(shì)，采用ＳＶＲ算法建立了電梯交通流時(shí)間序列的預(yù)測(cè)模型。給出了預(yù)測(cè)的評(píng)價(jià)指標(biāo)，研究了ＳＶＲ模型中的參數(shù)對(duì)預(yù)測(cè)效果的影響，利用試驗(yàn)尋優(yōu)的方法確定了ＳＶＲ預(yù)測(cè)模型的較優(yōu)參數(shù)。較后，與電梯交通流ＲＢＦ神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行了比較研究，分析了數(shù)據(jù)樣本中波動(dòng)較大部分的預(yù)測(cè)效果，結(jié)果表明ＳＶＲ算法比ＲＢＦ神經(jīng)網(wǎng)絡(luò)方法具有更好的預(yù)測(cè)性能、泛化能力和魯棒性，實(shí)現(xiàn)了電梯交通流較好的擬合和預(yù)測(cè)。

關(guān)　鍵　詞：支持向量回歸；電梯交通流；預(yù)測(cè)；ＲＢＦ神經(jīng)網(wǎng)絡(luò)

１　引　言
現(xiàn)代建筑內(nèi)往往安裝多臺(tái)電梯，構(gòu)成電梯群由群控系統(tǒng)統(tǒng)一分配。對(duì)電梯交通流進(jìn)行預(yù)測(cè)，使群控系統(tǒng)跟蹤交通流的變化以提高系統(tǒng)性能，因此研究電梯交通流是必要的［１］。文獻(xiàn)［２］應(yīng)用人工免疫算法對(duì)電梯交通流進(jìn)行分析，反映了大廈客流特征。文獻(xiàn)［３］利用高斯混合模型對(duì)電梯交通流進(jìn)行建模，實(shí)現(xiàn)交通流的定量預(yù)測(cè)。文獻(xiàn)［４］將小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于電梯的交通流預(yù)測(cè)中，獲得較好的預(yù)測(cè)精度。支持向量機(jī)（ＳＶＭ）［５６］以結(jié)構(gòu)風(fēng)險(xiǎn)較小化為優(yōu)化目標(biāo)，有更好的泛化能力，對(duì)小樣本有較強(qiáng)的預(yù)測(cè)能力。該方法已被應(yīng)用到電梯交通流的預(yù)測(cè)中［７８］，利用ＬＳＳＶＭ［７］和ＳＶＲ［８］對(duì)交通流進(jìn)行預(yù)測(cè)，把ＳＶＭ的應(yīng)用領(lǐng)域進(jìn)行了擴(kuò)展。在研究中，只考慮了電梯交通流時(shí)間序列的橫向變化趨勢(shì)，而沒(méi)有考慮其縱向變化趨勢(shì)；對(duì)樣本參數(shù)的選取也沒(méi)有給出具體說(shuō)明。本研究擬應(yīng)用ＳＶＭ方法對(duì)電梯交通流進(jìn)行預(yù)測(cè)，考慮其橫向和縱向變化趨勢(shì)，并通過(guò)與ＲＢＦ方法比較驗(yàn)證算法的有效性。

登錄網(wǎng)站后可下載文件