高速公路交通量组合预测模型研究

被引：6

作者：

钱超 ^{[1
]}

许宏科 ^{[1
]}

徐娜 ^{[2
]}

机构：

[1] 长安大学电子与控制工程学院

[2] 西安公路研究院

来源：

计算机仿真 | 2013年 / 30卷 / 04期

关键词：

组合预测模型; 交通量预测; 季节差分自回归滑动平均模型; 神经网络; 支持向量回归机;

D O I：

暂无

中图分类号：

U491.113 [];

学科分类号：

摘要：

交通量具有高度复杂的非线性特征,采用单一预测模型往往难以达到理想的预测效果。为准确预测,提出一种最优线性组合预测模型并给出了以预测误差平方和最小为目标函数的权系数最优解计算方法,在采用ARIMA模型、BP神经网络和支持向量回归机的基础上,利用组合预测模型实现了高速公路月度交通量的预测。实验结果表明:与季节差分自回归滑动平均模型、BP神经网络和支持向量回归机等预测模型相比,组合预测模型各项评价指标均优于前三者,为实现交通量准确预测提供了更为科学的依据。

引用

页码：178 / 182

页数：5

共 9 条

[1]

数据挖掘中的新方法[M]. 科学出版社 , 邓乃扬,田英杰著, 2004

[2] 应用支持向量机的空中交通流量组合预测模型 [J].

耿睿 ;

崔德光 ;

徐冰 .

清华大学学报(自然科学版), 2008, (07) :1205-1208

[3] 基于神经网络和SARIMA组合模型的短期交通流预测 [J].

孙湘海 ;

刘潭秋 .

交通运输系统工程与信息, 2008, (05) :32-37

[4] 支持向量机回归的参数选择方法 [J].

闫国华 ;

朱永生 .

计算机工程, 2009, 35 (14) :218-220

[5] 基于ARIMA与人工神经网络组合模型的交通流预测 [J].

谭满春 ;

冯荦斌 ;

徐建闽 .

中国公路学报, 2007, (04) :118-121

[6]

Learning internal representations by error propagation. Rumelhart DE,Hinton GE,Williams RJ. Parallel Distributed Processing: Explorations in the Microstructure of Cognition, Volume 1: Foundations . 1986

[7]

Time Series Analysis: Forecasting and Control. Box GEP,Jenkins GM. . 1976

[8]

The combination of forecasts. Bates J M,Granger C W J. Operations Research . 1969

[9]

The Nature of Statistical Learning Theory. Vapnik VN. . 1999

← 1 →