基于集成学习的交通流短时特性分析与神经网络预测方法

为揭示交通流的内在动态特性,利用分析法对交通流分形特性进行研究,表明该城市交通流序列具有长程相关性;为达到更精准的短期交通预测效果,同时提出一种基于思维进化算法（MEC）对神经网络最优初始参数的定向搜索,解决神经网络易陷入局部最优的问题;并用自适应增强算法（adaptive enhancement algorithm, Adaboost）对优化过的神经网络集成,弥补神经网络对新样本集的泛化性能差缺陷,在此基础上通过预测误差平方和倒数准则重新调整Adaboost算法对弱预测器权值分布,使每个预测器最大程度提高网络预测精度。验证结果表明,改进MEC-BPAdaboost模型与BP模型相比,均方误差和平均绝对误差分别下降78.2%和46.4%,证明本文改进方法对交通流预测具有合理性,对不同的交通流状态具有较好的适应性。