基于组合模型的短时交通流量预测算法

来源：电子与信息学报杂志2016年第5期北京时间：

作者：芮兰兰, 李钦铭

摘要：交通流量预测是实现智能交通技术的核心问题，及时准确地预测道路交通流量是实现动态交通管理的前提，短时交通流量的预测是交通流量预测的重要组成部分。该文针对十字路口的短时交通流量预测问题设计了基于交通流量序列分割和极限学习机(Extreme Learning Machine, ELM)组合模型的交通流量预测算法(Traffic Flow Prediction Based on Combined Model, TFPBCM)。该算法首先采用K-means对交通流量数据在时间上进行序列分割，然后采用ELM对各个序列进行建模和预测。仿真实验证明，与单一的BP(Back Propagation)神经网络和ELM相比，该组合模型算法建模时间为BP的1/10, ELM建模时间的4倍，均方误差为BP的1/50, ELM的1/20，该组合模型算法决定系数R2更接近于1，模型可信度更高。

关键词：短时交通流量, K均值算法, 极限学习机, 组合模型算法

基金资助：国家自然科学基金创新研究群体科学基金(61121061)，国家自然科学基金(61302078, 61372108)，北京高等学校青年英才计划项目(YETP0476)