基于ESN和Elman神经网络的交通流预测对比研究

摘要

实时准确的短时交通流预测是实现智能交通系统中交通控制和交通诱导的关键技术之一.由于短时交通流数据的复杂性,首先采用饱和关联维数法和Cao氏法对交通流时间序列的嵌入维数和延迟时间进行计算,并采用Wolf方法计算相空间重构后的交通流时间序列的最大Lyapunov指数.结果表明,交通流时间序列具有混沌特性,可预测性较好.随后,分别采用基于ESN和Elman神经网络的预测方法对交通流时间序列进行预测,结果表明,两者在预测精度相当的情况下,前者的训练速度较后者有了极大的提高.