基于优化极限学习机的公交行程时间预测方法

摘要：

为提高城市公交车辆行程时间的预测精度,在分析历史数据和交通流变化特性基础上,提出了一种基于人工蜂群优化的极限学习机的组合预测模型(artificial bee colony-extreme learning machine,ABC-ELM).首先,基于GPS等数据提取站间距离、时间周期及天气情况等动静态特征因素;其次,推算出公交车辆的站点停靠时间;接着,将人工蜂群优化算法(artificial bee colony algorithm,ABC)嵌入到传统极限学习机算法(extreme learning machine,ELM)中,以解决其在行程时间预测中收敛速度慢、初始权值和阈值选择困难的问题;最后,基于ABC-ELM算法预测公交车辆在目标路段的行程时间.以深圳市620路公交车的真实运营数据为基础进行方法验证.结果表明:与广泛采用的BP神经网络、SVM和ELM相比,本文方法在不同道路环境中均能保持较低的预测误差(RMSE误差:高峰/平峰为11.91/8.72,工作日/非工作日为11.46/9.54,晴天/雨天为10.83/12.31;决定系数R2:高峰/平峰为0.87/0.92,工作日/非工作日为0.83/0.88,晴天/雨天为0.89/0.85),鲁棒性较强,更适用于复杂城市道路环境中的干线公交车辆的行程时间预测.

关键词：城市交通;公交车辆;行程时间预测;极限学习机;人工蜂群算法

所属期刊栏目：39

分类号：U491.17;TP181(交通工程与公路运输技术管理)

资助基金：国家自然科学基金;广东省科技计划项目;广东大学生科技创新培育专项

在线出版日期：2021-10-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共14页

页码：64-77