城市道路短時行程時間預測算法研究.pdf

1、隨著城市經(jīng)濟的飛速發(fā)展和車輛的不斷增長，路網(wǎng)交通遇到越來越多的問題，如交通擁堵，空氣污染等。交通問題已成為各大城市急需解決的問題。智能交通系統(tǒng)(Intelligent Transportation System，ITS)是解決交通問題的有效途徑。交通誘導系統(tǒng)作為智能交通系統(tǒng)的重要組成部分，為改善道路擁堵、減少事故、降低空氣污染起了很大的作用。車輛路段行程時間是交通誘導中的重要參數(shù)之一。它能反映出城市道路交通狀況。因此，城市道路路段行程時

2、間預測研究有著重大的意義。
　　本文研究城市路網(wǎng)中短時行程時間預測問題。主要工作包括:
　　針對城市路網(wǎng)的特點，闡述了行程時間預測技術(shù)的意義?；诮煌ㄌ匦裕治隽爽F(xiàn)有車輛行程時間預測技術(shù)的原理和特點。
　　提出一種基于極限學習機(ELM)的短時行程時間預測算法。針對交通參數(shù)的非線性和時變性等特點，結(jié)合極限學習機自學習、速度快的良好特性，選擇極限學習機作為行程時間預測算法。使用REGIOLAB-DELFT平臺中的真實交通

3、數(shù)據(jù)進行仿真實驗。將ELM與支持向量回歸算法(SVR)和BP神經(jīng)網(wǎng)絡(BPNN)進行比較，實驗證明，在樣本充足和數(shù)據(jù)較波動下兩種情形的ELM行程時間預測算法表現(xiàn)了較高的準確性與適用性。
　　提出一種基于Bagging和ELM算法集成的路段行程時間預測算法(BG-ELM)。通過分析ELM算法的實驗結(jié)果，發(fā)現(xiàn)在高峰期時段數(shù)據(jù)具有較高波動時，ELM預測的誤差較大。因此，為了提高ELM的泛化能力，引入Bagging算法訓練多個ELM學習機