基于自相关分析的交通流预测输入步长研究

目前的交通流预测研究中，输入步长主要取决于人为的选择，容易受到干扰，并且缺少从理论方面选择输入步长的方法。为了能够自适应地选取输入步长，基于交通流历史时间序列的自相关分析，以机器学习中典型的最小二乘支持向量机（LSSVM）、随机森林（RF）以及长短记忆（LSTM）3种算法进行多输入步长的交通流预测，探究以自相关系数值选取最佳输入步长的方法可行性。实验结果表明，在输入步长的自相关系数为0.80～0.91时，LSSVM能获得较优的预测精度，当自相关系数为0.47～0.51时，LSTM能有较好的预测精度，而RF交通流预测的最低误差对应的输入步长自相关程度较低，自相关分析方法 可能并不适用。