基于投影寻踪神经网络模型的短时交通量预测研究

被引：3

作者：

刘元林 ^{[1
]}

胡伍生 ^{[1
]}

李素兰 ^{[2
]}

李红伟 ^{[1
]}

机构：

[1] 东南大学交通学院

[2] 武汉市桥梁维修管理处

来源：

交通信息与安全 | 2012年 / 04期

基金：

国家高技术研究发展计划(863计划);

关键词：

投影寻踪回归; BP神经网络; 模型; 短时交通量; 预测;

D O I：

暂无

中图分类号：

U491.113 [];

学科分类号：

082302 ; 082303 ;

摘要：

准确有效地预测短时交通流量是实施交通诱导及控制的前提与关键,但由于短时交通流量具有高度复杂性、随机性、非线性和不确定性等特性,导致预测难度高、准确度低、实时性差。基于此,文中综合利用投影寻踪技术和BP神经网络的优点,提出了运用投影寻踪回归模型和BP神经网络技术相结合建立组合模型的预测方法,并编写出模型的算法程序。将该组合模型应用于路段短时交通量的实时预测实例,实验结果证实该组合模型具有较好的预测能力和较强的时效性。

引用

页码：44 / 47

页数：4

共 14 条

[1] 基于投影寻踪的径向基函数网络在参考腾发量预测中的应用 [J].

胡庆芳 ;

尚松浩 ;

温守光 ;

孟宝泉 .

水利学报, 2006, (09) :1151-1154

[2] 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

[3] 深基坑施工时地表沉降预测的时序-投影寻踪回归模型 [J].

尹盛斌 ;

丁红岩 .

岩土力学, 2011, 32 (02) :369-374

[4] 基于投影寻踪回归模型的短时交通量预测研究 [J].

李素兰 .

交通信息与安全, 2011, (04) :84-86+98

[5] 基于时空特性和RBF神经网络的短时交通流预测 [J].

高为 ;

陆百川 ;

贠天鹂 ;

谭伟 .

交通信息与安全, 2011, (01) :16-19+24

[6]

The short-term traffic flow prediction based on neural net-work. Hu Wusheng,Liu Yuanlin,Xin Shujie. The 2010International Conference onFuture Computer and Communication . 2010

[7]

Short-term freeway traffic volume forecasting usingradial basis function neural network. Byungkyu Park,Messer C J,Thomas Urbanik II. Transporta-tion Research Record . 1998

[8]

The short-term traffic flow prediction based on genetic bp neuralnetwork. LiuYuanlin,Hu Wusheng,Xin Shujie. The 10th International Conference ofChinese Transportation Professionals . 2010

[9]

"The use of neural networks to recognise and predict traffic cogestion,". Dougherty,M.S,Kirby,H.R. Traffic Eng.Control . 1993

[10]

Traffic Flow Forecasting: Comparison of Modeling Approaches. Smith B L,Demetsky M J. Journal of Transportation Engineering ASCE . 1997

← 1 2 →