本文選題：城市交通　切入點：行程時間　出處：《交通運輸系統(tǒng)工程與信息》2015年03期

【摘要】：路段多步行程時間預(yù)測數(shù)據(jù)是動態(tài)交通誘導(dǎo)系統(tǒng)的重要參數(shù),但已有研究成果,大多集中于一步預(yù)測,且存在適應(yīng)性不強、計算量大、基礎(chǔ)數(shù)據(jù)需求多等不足.應(yīng)用譜分析及Karhunen-Loeve(K-L)變換對歷史及當(dāng)前檢測行程時間序列進(jìn)行分解與重構(gòu),重構(gòu)時以歷史序列與當(dāng)前檢測序列的歐式距離作為相似性度量指標(biāo),優(yōu)化重構(gòu)時的特征向量系數(shù),使與當(dāng)前檢測序列相似度高的歷史序列信息在重構(gòu)中占據(jù)主要地位,通過重構(gòu),實現(xiàn)對后續(xù)若干時段的行程時間的預(yù)測,實測數(shù)據(jù)檢驗顯示該方法可實現(xiàn)多步預(yù)測,預(yù)測精度良好,較以往方法有所提高,且歷史數(shù)據(jù)需求量小,計算量小.
[Abstract]:Multi-step travel time prediction data is an important parameter of dynamic traffic guidance system, but the research results have been mostly focused on one-step prediction, and there are some shortcomings, such as weak adaptability, large amount of calculation and many basic data requirements.The history and current detection travel time series are decomposed and reconstructed by spectral analysis and Karhunen-Loeveen K-Ltransform. The Euclidean distance between the historical sequence and the current detection sequence is taken as the similarity measure to optimize the eigenvector coefficients in the reconstruction.The history sequence information with high similarity to the current detection sequence occupies the main position in the reconstruction. Through the reconstruction, the travel time of several subsequent periods can be predicted. The test of the measured data shows that the method can realize the multi-step prediction.The accuracy of prediction is good, which is higher than that of the previous method, and the demand of historical data is small and the amount of calculation is small.
【作者單位】： 西北工業(yè)大學(xué)自動化學(xué)院;華東交通大學(xué)土建學(xué)院;
【基金】：江西省自然科學(xué)基金(20142BAB201015) 江西省科技廳科技計劃項目(20123BBE50094)
【分類號】：U491

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 張玉梅;曲仕茹;溫凱歌;;基于混沌和RBF神經(jīng)網(wǎng)絡(luò)的短時交通流量預(yù)測[J];系統(tǒng)工程;2007年11期

2 李琦;姜桂艷;;SCATS線圈數(shù)據(jù)短時多步雙重預(yù)測方法[J];哈爾濱工業(yè)大學(xué)學(xué)報;2013年02期

3 李進(jìn)燕;朱征宇;劉琳;崔明;劉微;;基于簡化路網(wǎng)模型的卡爾曼濾波多步行程時間預(yù)測方法[J];系統(tǒng)工程理論與實踐;2013年05期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉東君;鄒志紅;;灰色和神經(jīng)網(wǎng)絡(luò)組合模型在水質(zhì)預(yù)測中的應(yīng)用[J];系統(tǒng)工程;2011年09期

2 張青林;劉春玲;;基于ACA-NN的合肥公路客運預(yù)測與分析[J];電腦知識與技術(shù);2014年06期

3 吉訓(xùn)生;王壽榮;;硅微陀螺漂移混沌特性分析及預(yù)測[J];中北大學(xué)學(xué)報(自然科學(xué)版);2011年05期

4 楊建華;郎寶華;;一種基于優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)交通流預(yù)測新算法[J];計算機與數(shù)字工程;2010年09期

5 溫惠英;周瑋明;;基于S型函數(shù)預(yù)處理的RBF神經(jīng)網(wǎng)絡(luò)交通流量預(yù)測[J];交通信息與安全;2009年04期

6 劉兆惠;;基于灰色-徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的交通事故多元預(yù)測模型[J];交通運輸工程學(xué)報;2009年05期

7 李松;劉力軍;解永樂;;遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時交通流混沌預(yù)測[J];控制與決策;2011年10期

8 蔡s，

本文編號：1704974