在常规交通流情况下,应用参与式机器学习模型估算了交通密度的预测值,通过交通流密度与行程时间的关系间接估算行程时间的预测值;对参与式机器学习模型进行了改进,将原模型中的子系统计算方法从最小二乘法改进为适合长时间平稳交通预测的卡尔曼滤波法;在此基础上开发了部署在可变情报板上的交通信息诱导系统,利用观测的交通密度组成的向量作为输入,实时动态估算预测值,最终行程时间估算结果优于其他常见的单一预测方法,表明这种方法对预测行程时间有效,可以应用于交通控制相关的领域.
科研之友
微信
新浪微博
Facebook
分享链接
