基于时空关联和BP_Adaboost的短时交通参数预测

为提高预测精度和降低计算复杂度,提出了一种基于时空关联和BP_Adaboost的短时交通参数预测方法。首先,通过分析交通参数之间的时间关联性和空间关联性,得到对预测值产生影响的因素。然后,采用主成分分析法对影响因素进行预处理,选取了主成分作为后续预测模型的输入。最后,采用Adaboost算法对BP神经网络进行优化,构建了BP_Adaboost预测模型,以改善传统BP神经网络的预测性能。利用南京市典型道路数据对该方法进行了性能评价。结果表明:该方法不仅可以在一定程度上提高预测精度,更重要的是能够大大提高预测结果的稳定性。由此可见,该方法可以作为短时交通参数预测的有效手段。

EA-GRU模型在城市交通行程时间预测中的应用

城市交通行程时间预测是发展城市智能交通系统必然要求和核心任务,难点在于交通流具有强烈的非线性和随机性。针对传统基于神经网络的行程时间预测模型结构复杂、鲁棒性欠佳的情况,构建基于改进注意力机制的门控循环神经网络的行程时间预测模型,借助注意力机制捕捉历史行程时间数据时间相关性特征,同时创新提出使用遗传算法对注意力层权值进行独立训练寻优。实验选取珠海市香洲区彩虹路为研究对象,结果发现:基于改进注意力机制的门控循环神经网络模型(EAG-RU)平均绝对百分比误差落在5.9%左右,在可接受误差范围内且误差低于其他4种基线方法,预测效果更好;与未引入注意力机制的门控循环神经网络(GRU)模型相比,该模型预测结果提高了41.4%,同时表现出受数据量变化波动较小、鲁棒性好。