基于小波降噪的深度极限学习机交通流量预测

摘要：

为了克服非线性和强噪声特征对交通流短时预测准确度的影响,应用交通流预测模型获得更为准确的交通流信息是智能交通建设的关键环节.文中构建了小波降噪的深度极限学习机对城市道路的交通流量进行预测,并与原极限学习机和小波BP神经网络模型的预测效果进行比较.将实验城市一年中电子警察采集到的各路口五分钟车流量作为训练集,构建了极限学习机、基于小波降噪的深度极限学习机和小波BP神经网络模型,分别对各路口高峰时段车流量进行预测,采用三类误差分析指标刻画三种模型的预测效果.实验结果表明,小波降噪的深度极限学习机预测误差评价值MAPE为0.234％,MRE为0.0029,RSE为0.6999,其值均小于原极限学习机和小波BP神经网络的误差指标,有较好的预测效果,从而说明小波降噪的深度极限学习机对短时交通流预测的合理性和可行性,为短时交通流的预测提供了一种新的解决思路.

关键词：短时交通流预测;极限学习机;小波降噪;深度极限学习机;小波BP神经网络

所属期刊栏目：31

分类号：TP31;U491.14(计算技术、计算机技术)

资助基金：贵州省科技计划项目;贵州大学线上线下混合式课程建设项目

在线出版日期：2021-11-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：41-45