本文關(guān)鍵詞： 短時(shí)交通流量 人工魚群算法 支持向量回歸機(jī) BP神經(jīng)網(wǎng)絡(luò)　出處：《數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)》2017年20期 　論文類型：期刊論文

【摘要】：交通流量預(yù)測(cè)是城市智能交通系統(tǒng)的重要研究?jī)?nèi)容之一,是緩解城市擁堵、實(shí)現(xiàn)智能交通管理和建設(shè)智慧城市的前提,基于短時(shí)交通流量的復(fù)雜性及非線性等特點(diǎn),提出耦合AF-SVR的短時(shí)交通流量預(yù)測(cè)模型.模型結(jié)合了魚群算法較好的并行搜索性能和支持向量回歸機(jī)較好的非線性擬合能力,利用該模型對(duì)短時(shí)交通流量數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn),結(jié)果表明:模型較BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型具有較高的預(yù)測(cè)精度,是短時(shí)交通流預(yù)測(cè)的一種有效方法.
[Abstract]:Traffic flow forecasting is one of the important research contents of urban intelligent transportation system. It is the premise of alleviating urban congestion, realizing intelligent traffic management and building intelligent city. It is based on the complexity and nonlinearity of short-term traffic flow. A short time traffic flow forecasting model coupled with AF-SVR is proposed. The model combines the better parallel search performance of fish swarm algorithm and the better nonlinear fitting ability of support vector regression machine. The model is used to simulate the short time traffic flow data. The results show that the prediction accuracy of the model is higher than that of the BP neural network model, and it is an effective method for short-term traffic flow prediction.
【作者單位】： 大同煤炭職業(yè)技術(shù)學(xué)院教務(wù)處;
【分類號(hào)】：TP18;U491.14

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王偉平,董佑平;短時(shí)交通流智能預(yù)測(cè)方法的研究[J];山東交通學(xué)院學(xué)報(bào);2004年02期

2 唐明,陳寶星,柳伍生;基于相空間重構(gòu)的短時(shí)交通流分形研究[J];山東交通學(xué)院學(xué)報(bào);2004年01期

3 華冬冬,陳森發(fā);非線性短時(shí)交通流的一種神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法[J];現(xiàn)代交通技術(shù);2004年01期

4 田晶;楊玉珍;陳陽舟;;短時(shí)交通流量?jī)煞N預(yù)測(cè)方法的研究[J];公路交通科技;2006年04期

5 蔣海峰;馬瑞軍;魏學(xué)業(yè);溫偉剛;;一種基于小數(shù)據(jù)量的快速識(shí)別短時(shí)交通流混沌特性的方法[J];鐵道學(xué)報(bào);2006年02期

6 蔣海峰;王鼎媛;張仲義;;短時(shí)交通流的非線性動(dòng)力學(xué)特性[J];中國(guó)公路學(xué)報(bào);2008年03期

7 李松;劉力軍;郭海玲;;短時(shí)交通流混沌預(yù)測(cè)方法的比較[J];系統(tǒng)工程;2009年09期

8 許倫輝;唐德華;鄒娜;夏新海;;基于非線性時(shí)間序列分析的短時(shí)交通流特性分析[J];重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年01期

9 李雁;陸海亭;張寧;;一種短時(shí)交通流異常數(shù)據(jù)識(shí)別新算法[J];公路交通科技(應(yīng)用技術(shù)版);2010年04期

10 承向軍;劉軍;馬敏書;;基于分形理論的短時(shí)交通流預(yù)測(cè)算法[J];交通運(yùn)輸系統(tǒng)工程與信息;2010年04期

相關(guān)會(huì)議論文 前2條

1 翁小雄;翦俊;;短時(shí)交通流頻譜分析與預(yù)測(cè)[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

2 張利;李星毅;施化吉;;一種基于ARIMA模型的短時(shí)交通流量改進(jìn)預(yù)測(cè)算法[A];2007第三屆中國(guó)智能交通年會(huì)論文集[C];2007年

相關(guān)重要報(bào)紙文章 前1條

1 本報(bào)記者 李嬋;交通擁堵為何預(yù)測(cè)不準(zhǔn)[N];北京科技報(bào);2010年

相關(guān)博士學(xué)位論文 前2條

1 郭歡;基于灰理論的短時(shí)交通流動(dòng)力學(xué)建模預(yù)測(cè)與優(yōu)化研究[D];武漢理工大學(xué);2013年

2 張曉利;基于非參數(shù)回歸的短時(shí)交通流量預(yù)測(cè)方法研究[D];天津大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 喻丹;基于小波理論的短時(shí)交通流預(yù)測(cè)方法研究[D];長(zhǎng)沙理工大學(xué);2008年

2 謝生龍;城市道路短時(shí)交通流動(dòng)態(tài)預(yù)測(cè)方法研究與應(yīng)用[D];長(zhǎng)安大學(xué);2015年

3 胡浩然;基于Hadoop平臺(tái)的短時(shí)交通流預(yù)測(cè)算法研究[D];華南理工大學(xué);2016年

4 符義琴;短時(shí)交通流分析及預(yù)測(cè)[D];南京信息工程大學(xué);2016年

5 陳功;數(shù)據(jù)挖掘技術(shù)在智慧交通中的應(yīng)用[D];電子科技大學(xué);2016年

6 韋凌翔;基于RVM和ARIMA的短時(shí)交通流量預(yù)測(cè)方法研究[D];長(zhǎng)安大學(xué);2016年

7 武瓊;基于支持向量回歸的短時(shí)交通流預(yù)測(cè)方法研究與應(yīng)用[D];長(zhǎng)安大學(xué);2016年

8 張瑋瑋;基于聚類分析的BP神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)方法研究[D];重慶郵電大學(xué);2016年

9 顧敏佳;高速公路事故條件下的匝道協(xié)同控制方法研究[D];東南大學(xué);2016年

10 劉芳;短時(shí)交通流量預(yù)測(cè)方法及應(yīng)用[D];長(zhǎng)沙理工大學(xué);2015年

，

本文編號(hào)：1525798