|
|
EDA365欢迎您登录！
您需要 登录 才可以下载或查看，没有帐号？注册
x
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，, ^+ G( H1 U9 U9 `2 i
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
* c, G1 v# B* M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 0 t7 H& p7 r/ w
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& v3 {- x$ G) s
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
/ J- S" |4 D5 K: x% V, b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
4 V4 e& L1 @- ] f% J3 }型算法决定系数R2更接近于1，模型可信度更高。' {2 z9 z* |+ W9 `/ {9 T
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
' E3 Z \1 e4 q$ f- c1 引言
0 r) |$ X! Z/ z; r8 t随着国内城市的高速发展，交通拥堵，交通效, I2 c' |8 g3 {" l7 [7 e9 N7 D) ~# t
率低下造成了交通事故的频发，这已成为各个城市) A. }: {* p( g. X5 }
发展面临的共同问题[1]。及时做好交通流量预测对各+ K/ p0 q% X, s" j8 W
个主干道路进行调整成为了解决城市交通拥堵问题- H/ y& s' o" K* W, j
# t' C- v0 r/ s+ V6 d3 m# f
7 ?2 z* j( E9 Y
+ l/ W9 I6 k0 C; |
# T" y: e1 [- X( J. q. Z- i) E# R
. X/ a. o6 V+ y: ~6 p: L附件下载：
S) ]8 a( w; k+ a' `' r q( Y9 p6 T) l$ K
|
|
/1 
发表于 2021-5-12 14:08
收藏
淘帖
支持！
反对！