基于改進(jìn)的極限學(xué)習(xí)機(jī)短時(shí)交通流預(yù)測(cè)模型研究.pdf

1、短時(shí)交通流預(yù)測(cè)是智能交通系統(tǒng)中的重要部分，它在實(shí)現(xiàn)交通管理系統(tǒng)的高效管理和動(dòng)態(tài)分配交通流方面起著重要作用。因此快速地得到短時(shí)交通流預(yù)測(cè)結(jié)果、提升短時(shí)交通流預(yù)測(cè)精度是有效運(yùn)行交通管理系統(tǒng)的保證。
　　傳統(tǒng)的預(yù)測(cè)方法大多采用離線技術(shù)，無(wú)法實(shí)時(shí)預(yù)測(cè)，訓(xùn)練階段耗時(shí)較多，且預(yù)測(cè)準(zhǔn)確性和穩(wěn)定性較差，目前常用的人工神經(jīng)網(wǎng)絡(luò)方法采用平滑的歷史數(shù)據(jù)來(lái)預(yù)測(cè)未來(lái)短期內(nèi)的交通流，這種方法沒有考慮因傳感設(shè)備故障而引起數(shù)據(jù)波動(dòng)劇烈的場(chǎng)景。本文針對(duì)短時(shí)交通流場(chǎng)

2、景中的預(yù)測(cè)，基于短時(shí)交通流實(shí)時(shí)性、準(zhǔn)確性、可靠性三大特征和極限學(xué)習(xí)機(jī)優(yōu)點(diǎn)來(lái)預(yù)測(cè)短時(shí)交通流。主要工作如下:
　　針對(duì)預(yù)測(cè)實(shí)時(shí)性不足問題，減少訓(xùn)練時(shí)間，實(shí)現(xiàn)實(shí)時(shí)預(yù)測(cè)，采用滑動(dòng)窗口增量式更新預(yù)測(cè)模型，能夠在交通流峰值期快速訓(xùn)練歷史數(shù)據(jù)并能增量地更新到達(dá)的數(shù)據(jù);對(duì)于已經(jīng)訓(xùn)練過的數(shù)據(jù)，根據(jù)距離目標(biāo)時(shí)間的先后以及數(shù)據(jù)本身特征分配不同的權(quán)值，自適應(yīng)丟棄部分，再與添加的新訓(xùn)練樣本一起進(jìn)行預(yù)測(cè)。由此提出一種基于在線序列的實(shí)時(shí)極限學(xué)習(xí)機(jī)短時(shí)交通流預(yù)測(cè)

3、模型。
　　針對(duì)預(yù)測(cè)準(zhǔn)確性不足問題，考慮反饋機(jī)制，將實(shí)時(shí)極限學(xué)習(xí)機(jī)的預(yù)測(cè)值與理論期望值的差值反饋給輸入層，形成反饋實(shí)時(shí)極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)結(jié)構(gòu)，并根據(jù)反饋誤差對(duì)輸入權(quán)值做出相應(yīng)調(diào)整。針對(duì)預(yù)測(cè)穩(wěn)定性不足問題，考慮融合機(jī)制，即加權(quán)平均融合機(jī)制和Adaboost融合機(jī)制，確保訓(xùn)練學(xué)習(xí)過程的穩(wěn)定性，避免了僅僅依靠當(dāng)單個(gè)極限學(xué)習(xí)機(jī)而不能很好地適應(yīng)新到達(dá)的數(shù)據(jù)且預(yù)測(cè)精度不高的缺陷。由此提出一種基于權(quán)值融合的反饋實(shí)時(shí)極限學(xué)習(xí)機(jī)短時(shí)交通流預(yù)測(cè)模型。