基于极限学习机的短期交通流预测混合优化模型

作者：蔡浩; 李林峰; 李涵; 李新^*; 周腾

来源：交通运输系统工程与信息, 2023, 23(05): 75-183.

DOI：10.16097/j.cnki.1009-6744.2023.05.008

• 智能交通
• 短期交通流预测
• 混合预测模型
• 原子搜索算法
• 极限学习机

交通流的动态性、不确定性和非线性等特性导致交通流难以精确预测，本文在极限学习机(Extreme Learning Machine, ELM)的基础上，通过嵌入原子搜索算法(Atom Search Optimization,ASO)，构建ASO-ELM短期交通流预测混合优化模型，对比现有短期交通流预测模型，分析混合优化模型在短期交通流预测领域的表现。实验选取荷兰阿姆斯特丹市A10环形公路为路网原型，使用ASO-ELM混合模型与常见交通流预测模型进行对比实验。实验结果表明：ASO-ELM混合模型在4个数据集下的平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)相较于ELM模型分别下降了4.3%、3.5%、6.9%和5.4%，均方根误差(Root Mean Squared Error, RMSE)分别下降了4.8%、4.0%、2.0%和5.2%；其次，与人工神经网络(Artificial Neural Network, ANN)相比，MAPE分别下降了9.6%、8.6%、9.8%和5.0%,RMSE也分别下降了4.5%、5.9%、2.6%和1.7%。研究成果揭示了混合优化模型在短期交通流预测领域的潜力。

• 单位
  汕头大学; 海南大学