基于组合模型的短时交通流量预测算法

wozuishuai

摘 要：交通流量预测是实现智能交通技术的核心问题，及时准确地预测道路交通流量是实现动态交通管理的前提，
短时交通流量的预测是交通流量预测的重要组成部分。该文针对十字路口的短时交通流量预测问题设计了基于交通
流量序列分割和极限学习机(Extreme Learning Machine, ELM)组合模型的交通流量预测算法(Traffic Flow
Prediction Based on Combined Model, TFPBCM)。该算法首先采用K-means对交通流量数据在时间上进行序列分
) x& ~! o- W$ Z割，然后采用ELM对各个序列进行建模和预测。仿真实验证明，与单一的BP(Back Propagation)神经网络和ELM
+ u' \" ]0 _; ]9 u: m' q. o4 R相比，该组合模型算法建模时间为BP的1/10, ELM建模时间的4倍，均方误差为BP的1/50, ELM的1/20，该组合模
- z% u* w, ]2 j# T- _3 b( q型算法决定系数R2更接近于1，模型可信度更高。
7 u# x: _0 k* U1 Y$ K# z关键词：短时交通流量；K 均值算法；极限学习机；组合模型算法
7 h9 |  Q5 s7 s' I- K1 引言
+ N0 ^( K( w5 G  @7 a' B随着国内城市的高速发展，交通拥堵，交通效
! ]) `% x8 G9 {# P& }, |# l) B! e  E+ {率低下造成了交通事故的频发，这已成为各个城市
发展面临的共同问题[1]。及时做好交通流量预测对各
个主干道路进行调整成为了解决城市交通拥堵问题


4 |9 w) Z3 H# R( J. N, F

: y% z, S( s0 o" {# ?
附件下载：

游客，如果您要查看本帖隐藏内容请回复

' b* P; [) {) T8 x

messed

谢谢分享