广西师范大学学报(自然科学版)

2021, v.39(05) 64-77

[打印本页] [关闭]
本期目录(Current Issue) | 过刊浏览(Past Issue) | 高级检索(Advanced Search)

基于优化极限学习机的公交行程时间预测方法
Bus Travel Time Prediction Based on Extreme Learning Machine Optimized by Artificial Bee Colony Algorithm

许伦辉;苏楠;骈宇庄;林培群;

摘要(Abstract):

为提高城市公交车辆行程时间的预测精度,在分析历史数据和交通流变化特性基础上,提出了一种基于人工蜂群优化的极限学习机的组合预测模型(artificial bee colony-extreme learning machine, ABC-ELM)。首先,基于GPS等数据提取站间距离、时间周期及天气情况等动静态特征因素;其次,推算出公交车辆的站点停靠时间;接着,将人工蜂群优化算法(artificial bee colony algorithm, ABC)嵌入到传统极限学习机算法(extreme learning machine, ELM)中,以解决其在行程时间预测中收敛速度慢、初始权值和阈值选择困难的问题;最后,基于ABC-ELM算法预测公交车辆在目标路段的行程时间。以深圳市620路公交车的真实运营数据为基础进行方法验证。结果表明:与广泛采用的BP神经网络、SVM和ELM相比,本文方法在不同道路环境中均能保持较低的预测误差(RMSE误差:高峰/平峰为11.91/8.72,工作日/非工作日为11.46/9.54,晴天/雨天为10.83/12.31;决定系数R~2:高峰/平峰为0.87/0.92,工作日/非工作日为0.83/0.88,晴天/雨天为0.89/0.85),鲁棒性较强,更适用于复杂城市道路环境中的干线公交车辆的行程时间预测。

关键词(KeyWords): 城市交通;公交车辆;行程时间预测;极限学习机;人工蜂群算法

Abstract:

Keywords:

基金项目(Foundation): 国家自然科学基金(61572233);; 广东省科技计划项目(2017B030307001);; 广东大学生科技创新培育专项(pdjh2020a0030)

作者(Author): 许伦辉;苏楠;骈宇庄;林培群;

Email:

DOI: 10.16088/j.issn.1001-6600.2020073102

参考文献(References):

扩展功能
本文信息
服务与反馈
本文关键词相关文章
本文作者相关文章
中国知网
分享