交通运输系统工程与信息
交通運輸繫統工程與信息
교통운수계통공정여신식
JOURNAL OF COMMUNICATION AND TRANSPORTATION SYSTEMS ENGINEERING AND INFORMATION
2008年
5期
32-37
,共6页
短期交通流预测%季节自回归求和移动平均模型%广义回归神经网络模型%组合模型
短期交通流預測%季節自迴歸求和移動平均模型%廣義迴歸神經網絡模型%組閤模型
단기교통류예측%계절자회귀구화이동평균모형%엄의회귀신경망락모형%조합모형
为了更精确地预测短期交通流,提出由季节自回归求和移动平均模型(SARIMA)和广义回归神经网络(GRNN)模型所构成的组合模型(SARIMA-GRNN模型),该模型结合了时间序列模型和神经网络模型进行时间序列预测的优点.构造该组合模型的两个组成模型,即SARIMA模型和GRNN模型,也被用于预测研究以便于验证该组合模型在预测上的优势.实证研究结果表明,组合模型的预测精度高于SARIMA模型,但是却并不必然高于GRNN模型.然而,合理选择组合模型中神经网络部分的输入变量以及输出变量将显著地改善模型的预测精度,本文所构造的这个组合模型不仅具有很好的预测表现而且结构简单,非常适合城市道路短期交通流的实时预测.
為瞭更精確地預測短期交通流,提齣由季節自迴歸求和移動平均模型(SARIMA)和廣義迴歸神經網絡(GRNN)模型所構成的組閤模型(SARIMA-GRNN模型),該模型結閤瞭時間序列模型和神經網絡模型進行時間序列預測的優點.構造該組閤模型的兩箇組成模型,即SARIMA模型和GRNN模型,也被用于預測研究以便于驗證該組閤模型在預測上的優勢.實證研究結果錶明,組閤模型的預測精度高于SARIMA模型,但是卻併不必然高于GRNN模型.然而,閤理選擇組閤模型中神經網絡部分的輸入變量以及輸齣變量將顯著地改善模型的預測精度,本文所構造的這箇組閤模型不僅具有很好的預測錶現而且結構簡單,非常適閤城市道路短期交通流的實時預測.
위료경정학지예측단기교통류,제출유계절자회귀구화이동평균모형(SARIMA)화엄의회귀신경망락(GRNN)모형소구성적조합모형(SARIMA-GRNN모형),해모형결합료시간서렬모형화신경망락모형진행시간서렬예측적우점.구조해조합모형적량개조성모형,즉SARIMA모형화GRNN모형,야피용우예측연구이편우험증해조합모형재예측상적우세.실증연구결과표명,조합모형적예측정도고우SARIMA모형,단시각병불필연고우GRNN모형.연이,합리선택조합모형중신경망락부분적수입변량이급수출변량장현저지개선모형적예측정도,본문소구조적저개조합모형불부구유흔호적예측표현이차결구간단,비상괄합성시도로단기교통류적실시예측.
