基于集成学习的交通流短时特性分析与神经网络预测方法

摘要：

为揭示交通流的内在动态特性,利用分析法对交通流分形特性进行研究,表明该城市交通流序列具有长程相关性;为达到更精准的短期交通预测效果,同时提出一种基于思维进化算法(MEC)对神经网络最优初始参数的定向搜索,解决神经网络易陷入局部最优的问题;并用自适应增强算法(adaptive enhancement algorithm,Adaboost)对优化过的神经网络集成,弥补神经网络对新样本集的泛化性能差缺陷,在此基础上通过预测误差平方和倒数准则重新调整Adaboost算法对弱预测器权值分布,使每个预测器最大程度提高网络预测精度.验证结果表明,改进MEC-BP_Adaboost模型与BP模型相比,均方误差和平均绝对误差分别下降78.2％和46.4％,证明本文改进方法对交通流预测具有合理性,对不同的交通流状态具有较好的适应性.

关键词：思维进化算法、Adaboost算法、神经网络、重标极差(R/S)分析法

所属期刊栏目：21

分类号：U491.14(交通工程与公路运输技术管理)

资助基金：国家自然科学基金61751304

在线出版日期：2021-03-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1615-1623