基于周相似性的短时交通流预测方法研究

根据交通流量具有周相似的特性,利用实地采集获取的交通流量数据,选取每周周一至周五的数据,构造时间序列。本文分别用了3种不同的方法(BP神经网络、Elman神经网络、RBF神经网络)来预测短时交通流量,并通过不同的评价指标对上述3种方法的预测效果进行了评价。实例分析表明,对于这种时间序列的预测,Elman神经网络预测效果优于其他2种方法,更适合于短时交通流预测。

一种基于周相似特性的实时交通量预测模型

针对城市道路交通流量的周相似特性,对实时采集的流量与历史流量进行对比分析,利用均方根误差法确定权重,采用指数平滑方法对权重进行修正,提出一种实时交通量预测模型,并给出利用该模型预测的实例。利用最小二乘法对该预测进行了改进,进一步扩大和提高了模型的应用范围和实用性。