原文传递
基于在线序列极限学习机的路段行程时间预测算法研究
| 论文题名： | 基于在线序列极限学习机的路段行程时间预测算法研究 |
| 关键词： | 城市路网;路段行程时间;预测算法;在线序列极限学习机;支持向量机;BP神经网络 |
| 摘要： | 本世纪现代地面运输管理的模式主要有交通流诱导和线路引导，交通流诱导和线路引导的一个重要内容是路段行程时间。路段行程时间需要对交通流数据进行分析，而交通流具有不确定性、随机性、实时性等特点，导致路段行程时间预测异常复杂。传统的路段行程预测方法存在各种不足，如卡尔曼滤波算法适应性不强；BP神经网络可以将行程时间的变化趋势反映出来，但预测精度较差。 本文针对城市路网的特点，阐述了路段行程时间预测方法的意义，分析了现有路段行程时间预测方法的原理和特点，将在线序列极限学习机应用到路段行程时间预测中，提出了基于在线序列极限学习机的路段行程时间预测算法(Online Sequence Extreme Learning Machine Travel Time Prediction，OSELM-TTP)。将路段行程时间的样本数据固化到隐层输出矩阵中，当算法更新时，只将新产生的数据对网络进行更新，有效地解决了路段行程时间的实时性要求，提高了预测精度。运用MATLAB工具箱，基于实测的交通流数据，对真实路段进行了行程时间预测仿真，将 OSELM-TTP与在线支持向量机回归(Online Support Vector for Regression,OSVR)和 BP神经网络(Back propagation Neural Network,BPNN)进行了比较和分析。实验结果表明，基于在线序列极限学习机的路段行程时间预测算法有较好的适应性、实时性和准确性，它克服了在线支持向量机回归算法计算过程的复杂性、BP神经网络预测算法精确度差的局限性，整体预测性能比在线支持向量机回归算法和 BP神经网络要好，证明了基于在线序列极限学习机预测路段行程时间的可行性。 |
| 作者： | 阳敏辉 |
| 专业： | 计算机科学与技术 |
| 导师： | 谭敏生;梁冰 |
| 授予学位： | 硕士 |
| 授予学位单位： | 南华大学 |
| 学位年度： | 2017 |
| 正文语种： | 中文 |
检索历史
应用推荐
