基于改进极限学习机的公交站点短时客流预测方法

被引：27

作者：

黄益绍 ^{[1
,2
]}

韩磊 ^{[1
,2
]}

机构：

[1] 长沙理工大学道路灾变防治及交通安全教育部工程研究中心

[2] 长沙理工大学交通运输工程学院

来源：

交通运输系统工程与信息 | 2019年 / 19卷 / 04期

基金：

湖南省自然科学基金;

关键词：

城市交通; 公交站点短时客流预测; 改进粒子群算法; 极限学习机; IC卡数据; GPS数据;

D O I：

10.16097/j.cnki.1009-6744.2019.04.017

中图分类号：

U491.17 [];

学科分类号：

摘要：

以公交车IC卡和GPS数据为基础,提出了一种基于改进粒子群算法优化极限学习机(IPSO-ELM)的公交站点短时客流预测模型.依托IC卡和GPS数据在站点的特征表现和内在联系,定义了站点间距,并分析了站间距和车辆到总站距离间的联系;提出了公交乘客上车站点确定方法,进而得到公交站点上车客流量;通过分析公交客流数据特征,确定ELM输入参数维度,并采用IPSO算法找到ELM的最优隐含层节点参数;最后依托广州市19路公交车客流数据仓库进行了方法验证.结果表明:所用优化后的ELM方法预测误差在10%以内,并与应用广泛的SVM、ARIMA和传统ELM模型进行对比分析,发现改进的ELM方法拥有更高的可靠性和泛化性能.

引用

页码：115 / 123

页数：9

共 11 条

[1]

城市轨道交通常态与非常态短期客流预测方法研究 [J].

白丽 .

交通运输系统工程与信息, 2017, 17 (01) :127-135

[2]

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

[3]

Short-term forecasting of high-speed rail demand: A hybrid approach combining ensemble empirical mode decomposition and gray support vector machine with real-world applications in China.[J].Xiushan Jiang;Lei Zhang;Xiqun (Michael) Chen.Transportation Research Part C.2014,

[4]

Adaptive Kalman filter approach for stochastic short-term traffic flow rate prediction and uncertainty quantification.[J].Jianhua Guo;Wei Huang;Billy M. Williams.Transportation Research Part C.2014,

[5]

Predicting short-term bus passenger demand using a pattern hybrid approach.[J].Zhenliang Ma;Jianping Xing;Mahmoud Mesbah;Luis Ferreira.Transportation Research Part C.2014,

[6]

Forecasting the short-term metro passenger flow with empirical mode decomposition and neural networks.[J].Yu Wei;Mu-Chen Chen.Transportation Research Part C.2011, 1

[7]

Online-SVR for short-term traffic flow prediction under typical and atypical traffic conditions.[J].Manoel Castro-Neto;Young-Seon Jeong;Myong-Kee Jeong;Lee D. Han.Expert Systems With Applications.2008, 3

[8]

Enhanced random search based incremental extreme learning machine.[J].Guang-Bin Huang;Lei Chen.Neurocomputing.2007, 16

[9]

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

[10]

Short-term freeway traffic flow prediction: Bayesian combined neural network approach [J].

Zheng, WZ ;

Lee, DH ;

Shi, QX .

JOURNAL OF TRANSPORTATION ENGINEERING, 2006, 132 (02) :114-121

← 1 2 →