基于相空间重构和RELM的短时交通流量预测

被引：18

作者：

商强 ^{[1
]}

杨兆升 ^{[1
,2
,3
]}

李志林 ^{[1
]}

李霖 ^{[1
]}

曲鑫 ^{[1
]}

机构：

[1] 吉林大学交通学院

[2] 吉林大学汽车仿真与控制国家重点实验室

[3] 吉林大学吉林省道路交通重点实验室

来源：

华南理工大学学报(自然科学版) | 2016年 / 44卷 / 04期

关键词：

交通工程; 短时交通预测; 相空间方法; 极端学习机;

D O I：

暂无

中图分类号：

U491.14 [];

学科分类号：

082302 ; 082303 ;

摘要：

为了提高短时交通流量预测的精度,构建了基于相空间重构和正则化极端学习机的短时交通流量预测模型.首先采用C-C算法求解交通流量时间序列的最佳时间延迟和嵌入维数,进行相空间重构;然后选用G-P算法计算序列关联维数,判断出短时交通流量序列具有混沌特性.在此基础上,将重构数据作为正则化极端学习机的输入和输出来训练模型,并采用网格搜索法优化模型参数.最后以实测数据为基础,对模型的预测效果进行对比分析.结果表明,新构建模型的预测效果良好,能够有效提高短时交通流量预测精度.

引用

页码：109 / 114

页数：6

共 12 条

[1] 高速公路旅行时间的自适应插值卡尔曼滤波预测 [J].

赵建东 ;

王浩 ;

刘文辉 .

华南理工大学学报(自然科学版), 2014, 42 (02) :109-115

[2] 基于支持向量机回归的短时交通流预测模型 [J].

傅贵 ;

韩国强 ;

逯峰 ;

许子鑫 .

华南理工大学学报(自然科学版), 2013, 41 (09) :71-76

[3] 神经网络极速学习方法研究 [J].

邓万宇 ;

郑庆华 ;

陈琳 ;

许学斌 .

计算机学报, 2010, 33 (02) :279-287

[4] 非参数回归方法在短时交通流预测中的应用 [J].

张晓利 ;

陆化普 .

清华大学学报(自然科学版), 2009, 49 (09) :1471-1475

[5] 交通流量的混沌特性分析及预测模型研究 [J].

张玉梅 ;

曲仕茹 ;

温凯歌 .

土木工程学报, 2009, 42 (01) :119-123

[6] 基于支持向量机方法的短时交通流量预测方法 [J].

杨兆升 ;

王媛 ;

管青 .

吉林大学学报(工学版), 2006, (06) :881-884

[7] 粗正交小波网络及其在交通流预测中的应用 [J].

杨立才 ;

贾磊 ;

孔庆杰 ;

林姝 .

系统工程理论与实践, 2005, (08) :124-129

[8] Text categorization based on regularization extreme learning machine [J].

Wenbin Zheng ;

Yuntao Qian ;

Huijuan Lu .

Neural Computing and Applications, 2013, 22 :447-456

[9]

Forecasting urban traffic flow by SVR with continuous ACO[J] . Wei-Chiang Hong,Yucheng Dong,Feifeng Zheng,Chien-Yuan Lai.Applied Mathematical Modelling . 2010 (3)

[10]

Extreme learning machine: Theory and applications[J] . Guang-Bin Huang,Qin-Yu Zhu,Chee-Kheong Siew.Neurocomputing . 2006 (1)

← 1 2 →