基于自相关分析的交通流预测输入步长研究 |
| |
引用本文: | 王爽,黄海超,石宝存,陈景雅.基于自相关分析的交通流预测输入步长研究[J].华东交通大学学报,2022(5):78-85. |
| |
作者姓名: | 王爽 黄海超 石宝存 陈景雅 |
| |
作者单位: | 河海大学土木与交通学院 |
| |
基金项目: | 国家自然科学基金项目(52078190);;教育部人文社会科学研究规划基金项目(18YJAZH119); |
| |
摘 要: | 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。
|
关 键 词: | 交通流预测 自相关分析 机器学习 输入步长 |
|
|