| 论文名称 | 应用支援向量回归于交通资料遗失值之插补:以固定式车辆侦测器资料为例 |
| 年别 | 105 |
| 学位 | 硕士 |
| 学校系所 | 淡江大学运输管理学系 |
| 作者 | 叶蒉诚 |
| 指导教授 | 董启崇 |
| 论文摘要 | 支援向量回归(Support Vector Regression, SVR)系源自于支援向量机的机器学习方法,早期运用于模式识别领域,其具有容许误差、不需过多假设,且透过核函数(Kernel Function)处理在高维空间非线性转换问题的特点。相关研究透过此方法处理交通领域的问题,如交通量预测、旅行时间预测等,证实有良好的成果。因此本研究目的系构建以SVR为基础的快速反应插补模型,并检视其特性,包括预测准确性、模式参数是否达到稳定及泛用,以及操作上是否容易,追求建立一套可以简易修正的基础模式参数,并可调整因应适用于不同的情境状态问题。本研究有别以往研究模式构建直接以原始时序资料投入模式中,模式构建系以基本邻近上、下游资料作为锚定值及上下游资料间相对变动量(差分值)之核心差分反应模型,并可透过调整因子来松绑模式应用限制,如参考点相对位置及车道数变化等。另基于现阶段国内交通资料的蒐集仍以固定式车辆侦测器为主,本研究选择以封闭式直线路段之速率资料作为模式示范插捕对象,并选择不同道路等级与区域进行校估及验证。SVR模式参数校估可分为两部分,其一为模式内部运作参数之惩罚系数C、核函数的宽度系数γ,以及不敏感损失函数的宽度ε,并以先设ε值进行K-fold交叉验证进行调校(C, γ);其二为校估转换后之线性回归式的权重系数ω及截距项。 |
| 附件下载 | (电子档于105-10-27后开放下载) 应用支援向量回归于交通资料遗失值之插补:以固定式车辆侦测器资料为例.pdf |
| 张贴日 | 2016/11/04 |
| Hashtags |
查看次数:
6