原文传递
基于极限学习机和改进核密度估计的短时交通量预测研究
| 论文题名： | 基于极限学习机和改进核密度估计的短时交通量预测研究 |
| 关键词： | 短时交通量预测;极限学习机;核密度估计;混合模型 |
| 摘要： | 随着中国智能交通系统（ITS）的快速发展，短时交通量预测技术引起了实践领域和学术界的广泛关注。高效、准确的短时交通量预测可以为实时、动态、高效的交通管理和控制系统提供基础。短时交通量预测在一定程度上影响了智能交通系统的发展。因此，需要更准确的短时交通量预测，以保持 ITS 的安全稳定运行。然而，综合现有的预测模型，考虑到交通本身的非线性、复杂性和不确定性等特点，要准确预测交通流是相当困难的。所以，需要构建更为科学有效的预测模型对短时交通量数据的复杂特性进行描述和趋势预测，为提高城市交通管理水平提供帮助。 本文首先阐述了交通流基本特征参数，分析了短时交通量特性，介绍了数据来源与数据预处理方法，比较分析了不同短时交通量预测模型的优缺点以及不同概率预测模型的优缺点；接着，介绍了极限学习机（ELM）方法和改进核密度估计（AKDE-CKDE）的理论知识，构建了 ELM-AKDE-CKDE 混合预测模型，并说明该模型进行确定性预测的构建流程；其次，针对确定性预测模型无法反映交通量随机性的问题，构建了 ELM-AKDE-CKDE 概率预测模型，并给出该概率模型的求解方法；然后，选取平均绝对误差（ MAE ）、平均相对百分比误差（MRPE）等4个指标评价混合模型的预测精度，平均置信区间宽度（Average CI width）和无效覆盖率（KP）2 个指标评估模型的可靠性；最后，对重庆市主城区某主干道路的两个进口道 A、B 的交通量数据进行建模与预测，将本文构建的短时交通量混合预测模型 ELM-AKDE-CKDE 的预测结果与其它预测模型进行对比。结果表明，本文构建的短时交通量混合预测模型 ELM-AKDE-CKDE 不仅能实现高精度的确定性预测，还能可靠反映短时交通量的随机性。 本文的创新之处在于利用 ELM预测模型与 AKDE-CKDE方法的优势，构建一种新的组合预测方法 ELM-AKDE-CKDE，能够兼顾短时交通量数据中的非线性和随机特征，并表现出令人满意的预测性能，为城市交通管理提供有力支撑。 |
| 作者： | 白玉佳 |
| 专业： | 系统科学 |
| 导师： | 赵磊娜 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆交通大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
