摘要
针对目前高速公路交通状态预测大量使用单一数据源的不足,通过对收费站抽样刷卡数据与浮动车GPS数据的预处理,得到体现同一时间和同一空间的交通状态多源数据;采用极限学习机算法对高速公路交通状态进行预测和估计,并用行程时间指数TTI对道路交通状态进行估计;以广州机场高速公路南线为例,对比分析结果表明,采用多源数据融合模型得出的行程时间均方根误差和平均绝对百分比误差均小于单一数据源模型,且极限学习机在数据准确性与稳定性上均有良好效果,优化率分别为80.6%、53.7%。
引文
[1]罗向龙,张生瑞,牛力瑶.基于检测器优化选择的短时交通流预测[J].计算机工程与应用,2017,53(8).
[2] Jun Xia,Yuqiang Feng,Luning Liu,et al.An information fusion model of innovation alliances based on the Bayesian network[J].Tsinghua Science and Technology,2018,23(3).
[3] Bachmann C,Roorda M J,Abdulhai B,et al.Fusing a bluetooth traffic monitoring system with loop detector data for improved freeway traffic speed estimation[J].Journal of Intelligent Transportation Systems,2013,17(2).
[4] Tang-Hsien Chang,Albert Y Chen,Yu-Ting Hsu,et al.Freeway travel time prediction based on seamless spatio-temporal data fusion:case study of the freeway in Taiwan[J].Transportation Research Procedia,2016,17.
[5]史岩,董宏辉,张瑜,等.多源检测器的交通数据融合研究[J].道路交通与安全,2015,15(3).
[6]蒋肖.基于混沌理论和数据融合的短时交通流预测[D].重庆:重庆邮电大学,2016.
[7]王翔,陈小鸿,杨祥妹.基于K最近邻算法的高速公路短时行程时间预测[J].中国公路学报,2015,28(1).
[8] Ding A L,Zhao X M,Jiao L.Traffic flow time series prediction based on statistics learning theory[A].Proceedings of The IEEE 5th International Conference on Intelligent Transportation Systems[C].2002.
[9]李楠,路小波.基于小波融合的车牌模糊图像复原算法[J].公路交通科技,2011,28(3).
[10] Huang Guang Bin.Extreme learning machine:theory and applications[J].Neuro-computing,2006,70.
[11]李彬,李贻斌.基于ELM学习算法的混沌时间序列预测[J].天津大学学报,2011,44(8).
[12]蔡磊,程国建,潘华贤.极限学习机在岩性识别中的应用[J].计算机工程与设计,2010,31(9).
[13]张扬,何承,张祎.上海市道路交通状态指数简介及应用案例[J].交通与运输,2016(3).