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.
交通流预测、自相关分析、机器学习、输入步长
39
U293.5(铁路运输管理工程)
国家自然科学基金;教育部人文社会科学研究项目
2022-10-31(万方平台首次上网日期,不代表论文的发表时间)
共8页
78-85