基于RBF神经网络的城市快速路短时交通流预测研究

doi:10.3976/j.issn.1002-4026.2012.03.005

J4 ›› 2012, Vol. 25 ›› Issue (3): 23-28.doi: 10.3976/j.issn.1002-4026.2012.03.005

基于RBF神经网络的城市快速路短时交通流预测研究

郑宣传¹，韩宝明¹，李得伟²

1.北京交通大学交通运输学院，北京 100044；
2.北京交通大学,轨道交通控制与安全国家重点实验室，北京 100044

收稿日期:2012-03-27 出版日期:2012-06-20 发布日期:2012-06-20
作者简介:作者简介：郑宣传（1989-），男，硕士研究生，研究方向为城市道路交通、城市轨道交通。Email：11121033@bjtu.edu.cn
基金资助:
国家科技支撑计划项目（2011BAG01B01）；国家自然科学基金(61004105)

RBF neural network based urban expressway short-term traffic flow prediction

ZHENG Xuan-Chuan¹, HAN Bao-Ming¹, LI De-Wei²

1.School of Traffic and Transportation, Beijing Jiaotong University, Beijing 100044, China;
2.State Key Laboratory of Rail Traffic Control and Safety, Beijing Jiaotong University, Beijing 100044, China

Received:2012-03-27 Online:2012-06-20 Published:2012-06-20

摘要/Abstract

摘要：

为检验灰色模型及径向神经网络模型用于短时交通流预测的可行性及适用性，本文分析和比较了灰色模型GM（1，1）和RBF径向神经网络模型对短时交通流的预测效果。仿真实例表明，灰色模型不适合用于短时交通流预测，而径向神经网络能够准确预测短期交通流的未来变化趋势，当径向基函数的分布密度值在0.8~1.0之间时能够取得较高的预测精度。

关键词: 交通流, 预测, 灰色模型, RBF神经网络

Abstract:

We analyzed and compared the effects of gray model GM (1,1) and RBF neural network model on short-term traffic flow prediction to test their feasibility and applicability. Practical instances show that gray model is inapplicable to the short-term prediction of traffic flow, but RBF neural network model is applicable. Moreover, we can acquire higher prediction accuracy when the distribution density of the radial basis function is from 0.8 to 1.0.

Key words: traffic flow, prediction, gray model, RBF neural network

中图分类号:

U491.1⁺12

郑宣传，韩宝明，李得伟. 基于RBF神经网络的城市快速路短时交通流预测研究[J]. J4, 2012, 25(3): 23-28.

ZHENG Xuan-Chuan, HAN Bao-Ming, LI De-Wei. RBF neural network based urban expressway short-term traffic flow prediction[J]. J4, 2012, 25(3): 23-28.

[1]	张含笑, 刘宇然, 刘媛, 牛子辰. 基于多任务学习的轨道交通短时客流预测研究[J]. 山东科学, 2024, 37(1): 95-106.
[2]	刘玉珠, 张玮. 河南省山地空气负氧离子预测模型研究[J]. 山东科学, 2023, 36(5): 121-128.
[3]	张国建, 孟浩, 熊威, 白涛, 孟现臣, 王军, 吕晓. 人工湖下连采连充煤炭开采地表移动变形预测研究[J]. 山东科学, 2023, 36(5): 33-43.
[4]	姜嘉伟, 赵金宝, 刘文静, 徐月娟, 李明星. 基于SSA-LSTM组合模型的城市轨道交通短时客流预测[J]. 山东科学, 2023, 36(5): 75-84.
[5]	贾兴斌, 宫响. 基于时间序列疏系数模型的太阳辐射年际变化趋势预测[J]. 山东科学, 2023, 36(1): 115-123.
[6]	单亚男,李树彬,林兆丰. 城市快速路交通事故特性分析与安全评价[J]. 山东科学, 2022, 35(2): 115-123.
[7]	朱士光, 四兵锋, 崔鸿蒙, 薛景文. 基于时空特征提取的城市轨道交通乘客出行目的地预测[J]. 山东科学, 2021, 34(4): 104-113.
[8]	侯南, 刘珑, 江婷, 田力男, 丁宁. 基于实时监测的轴承寿命预测方法[J]. 山东科学, 2021, 34(3): 42-48.
[9]	教欣萍, 王江锋, 陈磊, 高志军, 董佳宽, 黄海涛, 叶劲松. 基于HALRTC理论的短时交通流预测算法[J]. 山东科学, 2019, 32(6): 62-68.
[10]	温永祺, 谢东繁, 王祥, 周豪. 基于车间通信的换道策略研究[J]. 山东科学, 2019, 32(4): 46-55.
[11]	高梦琦, 昌锡铭, 王欢. 基于小波分解和长短时记忆网络的地铁进站量短时预测[J]. 山东科学, 2019, 32(4): 56-63.
[12]	王威, 吴中. 信号灯作用下的城市隧道路段交通流模型研究[J]. 山东科学, 2019, 32(3): 57-64.
[13]	王硕, 谷远利, 李萌, 陆文琦, 张源. 基于混沌理论和MEA-BPNN模型的快速路短时交通流预测[J]. 山东科学, 2019, 32(2): 98-107.
[14]	蒋怡玥，董蜀黔，周淑敏. 基于集成算法的路段短时行驶时间预测[J]. 山东科学, 2018, 31(4): 118-125.
[15]	赵明宪，饶碧玉，王静. 基于集对分析的城市供水管网漏损预测及降漏研究[J]. 山东科学, 2018, 31(2): 120-126.

基于RBF神经网络的城市快速路短时交通流预测研究

RBF neural network based urban expressway short-term traffic flow prediction

PDF (PC)

赞

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 0