交通流量预测是实现智能交通技术的核心问题,及时准确地预测道路交通流量是实现动态交通管理的前提,短时交通流量的预测是交通流量预测的重要组成部分。该文针对十字路口的短时交通流量预测问题设计了基于交通流量序列分割和极限学习机(...交通流量预测是实现智能交通技术的核心问题,及时准确地预测道路交通流量是实现动态交通管理的前提,短时交通流量的预测是交通流量预测的重要组成部分。该文针对十字路口的短时交通流量预测问题设计了基于交通流量序列分割和极限学习机(Extreme Learning Machine,ELM)组合模型的交通流量预测算法(Traffic Flow Prediction Based on Combined Model,TFPBCM)。该算法首先采用K-means对交通流量数据在时间上进行序列分割,然后采用ELM对各个序列进行建模和预测。仿真实验证明,与单一的BP(Back Propagation)神经网络和ELM相比,该组合模型算法建模时间为BP的1/10,ELM建模时间的4倍,均方误差为BP的1/50,ELM的1/20,该组合模型算法决定系数R2更接近于1,模型可信度更高。展开更多
短时交通流量预测为智能交通系统(ITS)的研究方向之一。现有相关研究中所提及的基于深度学习的方法,需要较高的计算复杂度或模型的回归预测能力存在一定的不足。因此,提出一种将门循环单元(gated recurrent unit,GRU)与支持向量回归(sup...短时交通流量预测为智能交通系统(ITS)的研究方向之一。现有相关研究中所提及的基于深度学习的方法,需要较高的计算复杂度或模型的回归预测能力存在一定的不足。因此,提出一种将门循环单元(gated recurrent unit,GRU)与支持向量回归(support vector regression,SVR)相结合的模型。该模型一方面借助深度学习模型的强大能力进行特征提取工作,并相较长短时记忆网络(long short term memory,LSTM)降低了一定的计算量,同时,又以支持向量回归模型来增强整个模型的回归预测能力。文中基于Keras所提供的python库,完成实验设计及开发,根据实验结果对模型进行逐步调整,选择最优模型,并在PeMS数据集上对模型的泛化能力以及抗噪能力进行了测试。实验结果表明,与SVR以及GRU模型相比较,GRU-SVR模型预测精度分别提升了4%和1.6%,并且该模型具有一定的泛化及抗噪能力。展开更多
文摘交通流量预测是实现智能交通技术的核心问题,及时准确地预测道路交通流量是实现动态交通管理的前提,短时交通流量的预测是交通流量预测的重要组成部分。该文针对十字路口的短时交通流量预测问题设计了基于交通流量序列分割和极限学习机(Extreme Learning Machine,ELM)组合模型的交通流量预测算法(Traffic Flow Prediction Based on Combined Model,TFPBCM)。该算法首先采用K-means对交通流量数据在时间上进行序列分割,然后采用ELM对各个序列进行建模和预测。仿真实验证明,与单一的BP(Back Propagation)神经网络和ELM相比,该组合模型算法建模时间为BP的1/10,ELM建模时间的4倍,均方误差为BP的1/50,ELM的1/20,该组合模型算法决定系数R2更接近于1,模型可信度更高。
文摘短时交通流量预测为智能交通系统(ITS)的研究方向之一。现有相关研究中所提及的基于深度学习的方法,需要较高的计算复杂度或模型的回归预测能力存在一定的不足。因此,提出一种将门循环单元(gated recurrent unit,GRU)与支持向量回归(support vector regression,SVR)相结合的模型。该模型一方面借助深度学习模型的强大能力进行特征提取工作,并相较长短时记忆网络(long short term memory,LSTM)降低了一定的计算量,同时,又以支持向量回归模型来增强整个模型的回归预测能力。文中基于Keras所提供的python库,完成实验设计及开发,根据实验结果对模型进行逐步调整,选择最优模型,并在PeMS数据集上对模型的泛化能力以及抗噪能力进行了测试。实验结果表明,与SVR以及GRU模型相比较,GRU-SVR模型预测精度分别提升了4%和1.6%,并且该模型具有一定的泛化及抗噪能力。
