KPCA-KELM在短期交通流量预测中的应用

被引：9

作者：

李军

王秋莉

机构：

[1] 兰州交通大学自动化与电气工程学院

来源：

江苏大学学报(自然科学版) | 2018年 / 39卷 / 05期

关键词：

智能交通系统; 交通流量; 预测; 核主成分分析; 核极限学习机;

D O I：

暂无

中图分类号：

U491 [交通工程与交通管理];

学科分类号：

082302 ; 082303 ;

摘要：

为了提高短期交通流量预测的收敛速度、预测精度,提出一种核主成分分析(kernel principal component analysis,KPCA)与核极限学习机(kernel extreme learning machine,KELM)相结合的KPCA-KELM方法.KPCA方法可对数据进行预处理,在特征空间中有效提取模型输入的非线性主元;而KELM方法无须设定网络隐含层节点的数目、通过正则化最小二乘算法计算网络的输出权值,能以极快的学习速度获得良好的推广性;新方法融合了KPCA与KELM的优点.采用西雅图华盛顿大学ITS研究组以及北京交通管理局实测的交通流量预测数据进行了试验,并将KPCA-KELM方法与单一的KELM,LSSVM,SVM以及KPCA-LSSVM,KPCA-SVM等预测方法进行比较.试验结果表明:新方法的收敛速度以及预测精度均优于对比方法;对北京交通管理局实测交通量数据的单步预测中,KPCA-KELM方法的预测精度比KELM方法提高了1.991 3.

引用

页码：570 / 575

页数：6

共 8 条

[1] 基于GA-LSSVR模型的路网短时交通流预测研究 [J].