计算机仿真
計算機倣真
계산궤방진
COMPUTER SIMULATION
2015年
2期
175-178,193
,共5页
钱伟%杨矿利%杨慧慧%徐青政
錢偉%楊礦利%楊慧慧%徐青政
전위%양광리%양혜혜%서청정
智能交通系统%神经网络模型%组合模型
智能交通繫統%神經網絡模型%組閤模型
지능교통계통%신경망락모형%조합모형
Intelligent traffic system%Neural network model%Combined models
为了提高预测精度,利用每周同一天交通流变化相似的特点,提出了一种短时交通流组合预测模型,采集每周同一天的交通流数据进行预测.组合模型包括两个子模型:BP神经网络模型、GM(1,1)模型.BP神经网络模型具有强大的非线性逼近能力,对于庞大无序的交通流数据信息具有良好的处理能力.GM(1,1)模型能够反映交通流时间序列的总体变化趋势,相对误差小.通过计算两种子模型在上一时间段的预测误差比值,确定出在下一时间段的预测中两种子模型预测结果所占的权重,然后将这两个子模型在下一时间段的预测结果进行加权求和,作为组合模型的最终预测值.实验结果表明,组合模型发挥了两种子模型各自的阶段性预测优势,是短时交通流预测的一种有效方法.
為瞭提高預測精度,利用每週同一天交通流變化相似的特點,提齣瞭一種短時交通流組閤預測模型,採集每週同一天的交通流數據進行預測.組閤模型包括兩箇子模型:BP神經網絡模型、GM(1,1)模型.BP神經網絡模型具有彊大的非線性逼近能力,對于龐大無序的交通流數據信息具有良好的處理能力.GM(1,1)模型能夠反映交通流時間序列的總體變化趨勢,相對誤差小.通過計算兩種子模型在上一時間段的預測誤差比值,確定齣在下一時間段的預測中兩種子模型預測結果所佔的權重,然後將這兩箇子模型在下一時間段的預測結果進行加權求和,作為組閤模型的最終預測值.實驗結果錶明,組閤模型髮揮瞭兩種子模型各自的階段性預測優勢,是短時交通流預測的一種有效方法.
위료제고예측정도,이용매주동일천교통류변화상사적특점,제출료일충단시교통류조합예측모형,채집매주동일천적교통류수거진행예측.조합모형포괄량개자모형:BP신경망락모형、GM(1,1)모형.BP신경망락모형구유강대적비선성핍근능력,대우방대무서적교통류수거신식구유량호적처리능력.GM(1,1)모형능구반영교통류시간서렬적총체변화추세,상대오차소.통과계산량충자모형재상일시간단적예측오차비치,학정출재하일시간단적예측중량충자모형예측결과소점적권중,연후장저량개자모형재하일시간단적예측결과진행가권구화,작위조합모형적최종예측치.실험결과표명,조합모형발휘료량충자모형각자적계단성예측우세,시단시교통류예측적일충유효방법.
