基于核自组织映射-前馈神经网络的交通流短时预测

被引：19

作者：

龚勃文 ^{[1
,2
]}

林赐云 ^{[1
,2
]}

李静 ^{[3
]}

杨兆升 ^{[1
,2
]}

机构：

[1] 吉林大学汽车仿真与控制国家重点实验室

[2] 吉林大学交通学院

[3] 吉林大学汽车工程学院

来源：

吉林大学学报(工学版) | 2011年 / 41卷 / 04期

基金：

中国博士后科学基金;

关键词：

交通运输系统工程; 交通流短时预测; 样本分类拟合; KSOM-BP神经网络; 动量-自适应学习速率;

D O I：

暂无

中图分类号：

U491.112 [];

学科分类号：

摘要：

提出了一种基于KSOM-BP神经网络的交通流短时预测模型。利用基于核函数的样本自组织映射神经网络(KSOM),在没有任何先验知识的情况下,自组织、自学习地将具有相似统计特性的历史样本划分成一类,促使分类样本统计特性更集中显著。对每个类别的样本分别建立动量-自适应学习速率的BP神经网络预测模型,以期提高交通流短时预测精度,减少预测时间。结合实际城市道路数据对模型进行验证。验证结果表明:KSOM-BP神经网络的预测误差统计指标MARE小于7%,比基于全部样本训练的BP神经网络的MARE减少4%左右;同时,KSOM-BP神经网络建模时间更短,证明了本文方法的有效性和先进性。

引用

页码：938 / 943

页数：6

共 5 条

[1]

交通流量时间序列混沌特性分析及预测研究 [D].