原文传递
城市道路短时行程时间预测算法研究
| 论文题名： | 城市道路短时行程时间预测算法研究 |
| 关键词： | 智能交通;行程时间;预测技术;极限学习机 |
| 摘要： | 随着城市经济的飞速发展和车辆的不断增长，路网交通遇到越来越多的问题，如交通拥堵，空气污染等。交通问题已成为各大城市急需解决的问题。智能交通系统(Intelligent Transportation System，ITS)是解决交通问题的有效途径。交通诱导系统作为智能交通系统的重要组成部分，为改善道路拥堵、减少事故、降低空气污染起了很大的作用。车辆路段行程时间是交通诱导中的重要参数之一。它能反映出城市道路交通状况。因此，城市道路路段行程时间预测研究有着重大的意义。 本文研究城市路网中短时行程时间预测问题。主要工作包括: 针对城市路网的特点，阐述了行程时间预测技术的意义。基于交通特性，分析了现有车辆行程时间预测技术的原理和特点。 提出一种基于极限学习机(ELM)的短时行程时间预测算法。针对交通参数的非线性和时变性等特点，结合极限学习机自学习、速度快的良好特性，选择极限学习机作为行程时间预测算法。使用REGIOLAB-DELFT平台中的真实交通数据进行仿真实验。将ELM与支持向量回归算法(SVR)和BP神经网络(BPNN)进行比较，实验证明，在样本充足和数据较波动下两种情形的ELM行程时间预测算法表现了较高的准确性与适用性。 提出一种基于Bagging和ELM算法集成的路段行程时间预测算法(BG-ELM)。通过分析ELM算法的实验结果，发现在高峰期时段数据具有较高波动时，ELM预测的误差较大。因此，为了提高ELM的泛化能力，引入Bagging算法训练多个ELM学习机，将得到的多个结果进行合成，可使ELM的泛化能力提高。实验证明，BG-ELM比单个ELM的行程时间预测结果更稳定，更准确。 |
| 作者： | 李论 |
| 专业： | 计算机科学与技术 |
| 导师： | 王东 |
| 授予学位： | 硕士 |
| 授予学位单位： | 湖南大学 |
| 学位年度： | 2016 |
| 正文语种： | 中文 |
检索历史
应用推荐
