基于改进在线极限学习机的短时交通流预测模型研究

来源：计算机工程与科学杂志2022年第5期北京时间：

作者：周伯荣, 程伟国, 许镇义, 温秀兰

单位：（1.南京工程学院自动化学院,江苏 南京 211100；2 南京交通职业技术学院汽车工程学院,江苏 南京 211100；3.合肥综合性国家科学中心人工智能研究院,安徽 合肥 230088；4.中国科学技术大学信息科学技术学院,安徽 合肥 230026）

摘要：交通流信息预测是智能交通系统进行交通疏导管理的重要基础，为城市交通管理规划提供可靠的数据支持和科学的决策依据。由于交通流量数据是实时更新的增量流数据，每次更新历史数据集时都需要重新构建预测模型，消耗了大量计算资源和运行时间，为此提出一种基于改进在线顺序极限学习机的交通流预测模型（IOS-ELM），通过构建新增数据的增强特征映射关系，生成交通流动态更新特征表示空间，实现短时交通流预测模型的动态更新。利用长沙市远大一路交通流数据评估该模型，实验结果表明，IOS-ELM模型在NRMSE和MAPE的预测性能上均超过其他基准预测模型（MLP、ELM、OS-ELM和SVR），同时模型的预测耗时较小，可以保证一定实时性，满足城市道路交通流的实时准确预测的需求。

关键词：交通流预测,极限学习机,智能交通,

基金资助：国家自然科学基金（62103124,62033012,61725304,61673361,51675259）;安徽省科技重大专项(201903a07020012,202003a07020009)