城市道路交通流量的变化随机性强、影响因素众多,短时交通流量预测是城市智能交通系统的重要环节。文章结合城市道路交通流量的时空依赖属性,综合考虑时间、道路结构和周边环境多种影响因素,提出一种组合最小二乘支持向量机(multi-group...城市道路交通流量的变化随机性强、影响因素众多,短时交通流量预测是城市智能交通系统的重要环节。文章结合城市道路交通流量的时空依赖属性,综合考虑时间、道路结构和周边环境多种影响因素,提出一种组合最小二乘支持向量机(multi-group least squares support vector machine,MLS-SVM)的短时交通流量预测模型,将影响因素分组建立支持向量回归子模型来研究与交通流量之间的关系,最后组合各子模型来优化最终预测结果。仿真部分采用实测数据集,与支持向量机预测模型、小波神经网络时间序列预测模型和多因素模式识别模型对比分析,平均预测误差最小且超过45%时间段的预测误差最小,验证了MLS-SVM预测模型的有效性和稳定性。展开更多
文摘城市道路交通流量的变化随机性强、影响因素众多,短时交通流量预测是城市智能交通系统的重要环节。文章结合城市道路交通流量的时空依赖属性,综合考虑时间、道路结构和周边环境多种影响因素,提出一种组合最小二乘支持向量机(multi-group least squares support vector machine,MLS-SVM)的短时交通流量预测模型,将影响因素分组建立支持向量回归子模型来研究与交通流量之间的关系,最后组合各子模型来优化最终预测结果。仿真部分采用实测数据集,与支持向量机预测模型、小波神经网络时间序列预测模型和多因素模式识别模型对比分析,平均预测误差最小且超过45%时间段的预测误差最小,验证了MLS-SVM预测模型的有效性和稳定性。
