KPCA-KELM在短期交通流量预测中的应用

• 作者: 李军 王秋莉
• 来源期刊: 江苏大学学报（自然科学版）
• 学科: 工学
• 关键词: 智能交通系统 交通流量 预测 核主成分分析 核极限学习机
• 年，卷（期）: 2018,（5）
• 页码范围: 570-575
• 页数: 6页
• 分类号: TP391
• 字数: 4466字
• 语种: 中文
• DOI: 10.3969/j.issn.1671-7775.2018.05.013

摘要

为了提高短期交通流量预测的收敛速度、预测精度,提出一种核主成分分析(kernel principal component analysis,KPCA)与核极限学习机(kernel extreme learning machine,KELM)相结合的KPCA-KELM方法.KPCA方法可对数据进行预处理,在特征空间中有效提取模型输入的非线性主元;而KELM方法无须设定网络隐含层节点的数目、通过正则化最小二乘算法计算网络的输出权值,能以极快的学习速度获得良好的推广性;新方法融合了KPCA与KELM的优点.采用西雅图华盛顿大学ITS研究组以及北京交通管理局实测的交通流量预测数据进行了试验,并将KPCA-KELM方法与单一的KELM,LSSVM,SVM以及KPCA-LSSVM,KPCA-SVM等预测方法进行比较.试验结果表明:新方法的收敛速度以及预测精度均优于对比方法;对北京交通管理局实测交通量数据的单步预测中,KPCA-KELM方法的预测精度比KELM方法提高了1.991 3.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李军	兰州交通大学自动化与电气工程学院	70	490	13.0	19.0
2	王秋莉	兰州交通大学自动化与电气工程学院	3	6	1.0	2.0