基于自相关分析的交通流预测输入步长研究

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

所属期刊栏目：39

分类号：U293.5(铁路运输管理工程)

资助基金：国家自然科学基金;教育部人文社会科学研究项目

在线出版日期：2022-10-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：78-85