原文传递
数据驱动的短时交通流预测混合学习模型
| 论文题名： | 数据驱动的短时交通流预测混合学习模型 |
| 关键词： | 交通流预测;极限学习机;粒子群优化算法;引力搜索算法;数据驱动 |
| 摘要： | 及时可靠的短期交通流量预测是智能交通管理系统的重要组成部分，在缓解交通拥堵，提高交通运营效率和出行决策方面发挥着基础性作用。然而，由于交通流的非线性特性和固有的随机性，开发一个有效并鲁棒的交通流预测模型仍然具有相当程度的挑战性。为了进一步挖掘短期交通流预测的潜在性能，针对不同场景下交通流的非线性关系，本学位论文设计并提出了两种用于短期交通流预测的混合学习模型，并根据模型的实验结果进行了对应的分析和讨论。本文的具体工作总结为: (1)针对极限学习机中网络结构参数设施的问题，提出了一种引力搜索算法优化的极值学习机GSA-ELM。单隐层结构的极限学习机在交通流预测中已经得到了广泛应用，由于网络参数设置过程的随机性，极限学习机存在过度拟合和预测精度不稳定的问题。GSA-ELM模型利用引力搜索算法搜寻全局最优解的特性来确定极限学习机中的输入权重值和隐藏层偏差，保留了极限学习机处理非线性关系数据时的速度优势。实验结果显示所提出的模型在短时交通预测上的性能好于遗传算法优化的极限学习机模型。 (2)针对引力搜索算法在随机确定初始粒子位置时导致的性能问题，引入粒子群优化算法提升引力搜索算法的最优解搜寻效率。随后采用混合进化算法对极限学习机网络参数进行优化，以数据驱动的方式动态地训练混合预测模型，得到一个短期交通流预测的两阶段混合极值学习模型PSOGSA-ELM。总之，本文的主要工作是，提出数据驱动的短期交通流预测的混合学习模型，在提出的模型上进行修改优化后完成了一系列实验证明了模型的有效性。 |
| 作者： | 崔植涵 |
| 专业： | 计算机技术 |
| 导师： | 周腾 |
| 授予学位： | 硕士 |
| 授予学位单位： | 汕头大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
