论文摘要
短时交通流预测是智能交通系统的重要基础,其精度直接影响到交通控制和诱导的效果.对于交通流预测中的非参数回归方法,其中一个重要的问题是状态向量的选取.本文提出基于ReliefF和Delta Test的特征选择算法来对特征向量进行选择.首先使用ReliefF算法根据特征和类别的相关性对状态向量进行快速初步筛选,加快算法的执行效率.接下来以Delta Test为性能指标,使用遗传算法对状态分量的权重进行进一步优选.最后通过基于实际数据的算例,对本文方法优选的状态向量与时间序列状态向量,简单时空关联向量进行了对比.结果表明,本文的方法在一般交通状态条件下和突变交通状态下都具有较好的性能.
论文目录
文章来源
类型: 期刊论文
作者: 万芳,黎光宇,贾宁,朱宁
关键词: 智能交通,短时交通流预测,状态向量选择,道路交通系统,方法
来源: 交通运输系统工程与信息 2019年02期
年度: 2019
分类: 工程科技Ⅱ辑
专业: 公路与水路运输
单位: 安徽交通职业技术学院城市轨道交通与信息工程系,天津大学管理与经济学部,天津市肿瘤医院
基金: 安徽省教育厅大规模在线开放课程(MOOC)示范项目《PHP》(2016mooc124)~~
分类号: U491.1
DOI: 10.16097/j.cnki.1009-6744.2019.02.031
页码: 216-222+254
总页数: 8
文件大小: 1758K
下载量: 431
相关论文文献
- [1].基于GA-BP神经网络的交叉口短时交通流预测研究[J]. 科技风 2020(11)
- [2].智能交通系统中短时交通流预测模型的研究[J]. 现代计算机 2020(16)
- [3].暴雨天气下高速公路短时交通流预测[J]. 计算机工程 2020(06)
- [4].基于状态频率记忆神经网络的短时交通流预测[J]. 武汉理工大学学报(交通科学与工程版) 2020(04)
- [5].基于检测器优化选择的短时交通流预测[J]. 计算机工程与应用 2017(08)
- [6].基于统计的我国短时交通流预测模型分析[J]. 现代计算机(专业版) 2017(17)
- [7].基于模糊神经网络的短时交通流预测方法研究[J]. 计算机测量与控制 2017(08)
- [8].基于多条件随机场的短时交通流预测模型[J]. 计算机工程与设计 2017(10)
- [9].基于流形距离的高速公路短时交通流预测模型[J]. 科学技术与工程 2020(18)
- [10].交通事故下高速公路短时交通流预测[J]. 东莞理工学院学报 2020(05)
- [11].基于深度学习的短时交通流预测模型[J]. 交通科学与工程 2020(03)
- [12].短时交通流预测模型综述[J]. 都市快轨交通 2019(04)
- [13].改进支持向量回归机的短时交通流预测[J]. 交通运输系统工程与信息 2019(04)
- [14].一种平稳化短时交通流预测方法[J]. 测控技术 2018(02)
- [15].基于深度学习的短时交通流预测[J]. 计算机应用研究 2017(01)
- [16].布谷鸟算法优化小波神经网络的短时交通流预测[J]. 计算机应用与软件 2017(03)
- [17].基于混沌时间序列局域法的短时交通流预测[J]. 计算机技术与发展 2015(01)
- [18].基于模式识别的短时交通流预测[J]. 公路 2011(09)
- [19].数据融合技术在短时交通流预测中的应用[J]. 交通科技 2010(S1)
- [20].短时交通流预测系统的效率优化研究[J]. 交通信息与安全 2010(04)
- [21].基于加权组合模型的短时交通流预测研究[J]. 测控技术 2018(05)
- [22].基于轨迹数据的短时交通流预测[J]. 数码世界 2020(05)
- [23].基于非参数回归的短时交通流预测研究综述[J]. 交通运输工程与信息学报 2008(04)
- [24].基于K近邻算法和支持向量回归组合的短时交通流预测[J]. 公路交通科技 2017(05)
- [25].最小最大概率回归机在短时交通流预测中的应用[J]. 公路交通科技 2014(02)
- [26].综合运输体系的短时交通流预测方法[J]. 交通建设与管理 2014(06)
- [27].短时交通流预测研究[J]. 华东公路 2011(03)
- [28].非参数回归方法在短时交通流预测中的应用[J]. 清华大学学报(自然科学版) 2009(09)
- [29].基于多源交通数据融合的短时交通流预测[J]. 重庆交通大学学报(自然科学版) 2019(05)
- [30].基于深度学习的短时交通流预测研究[J]. 交通运输系统工程与信息 2018(01)