基于ELM算法的短时交通流预测研究

作者：季雪美; 高军伟; 刘新; 张彬

来源：青岛大学学报(工程技术版), 2015, 30(04): 58-67.

DOI：10.13306/j.1006-9798.2015.04.010

• 前馈神经网络
• 极限学习机
• 交通流预测

针对前馈神经网络(如BP)大多采用梯度速降的方法进行多次迭代,在训练过程存在耗时长,训练速度慢,容易陷入局部极小点等问题,本文根据极限学习机神经网络(extreme learning machine,ELM)算法,对青岛某一路口建立了短时交通流预测模型,同时对采集到的数据用Matlab进行仿真,并与传统的BP神经网络预测结果进行对比分析。分析结果表明,当仿真时间为0.67s时,ELM神经网络算法的最大相对误差为7.45%,平均相对误差为15.95%,均方根误差为28.16,说明采用ELM算法预测的数据和实际数据拟合度更好,并且运算速度更快。因此,本模型相对于传统的BP神经网络具有更好的预测精度和更快的学习能力。该研究适用于市区交通流预测。

• 单位
  青岛大学; 青岛海信网络科技股份有限公司