基于改进极限学习机的短时交通流量预测

摘要

随着机动车辆的不断增多,实现智能交通降低拥堵成为现代城市亟待解决的问题,而交通流量预测是智能交通的关键因素。在短时交通流量预测中,由于车流变化快,突发情况多,传统的预测方法不能很好地进行预测。极限学习机（ELM）的快速发展为解决这类问题提供理论依据。我们针对传统的ELM存在分类精度低、网络结构稳定性差等问题,提出一种自适应混沌粒子群算法（ACPSO）优化ELM参数的算法,以此来增强网络的稳定性,提高ELM对数据分类的精度,并将该方法应用到短时交通流量预测上。实验结果表明,该算法具有较好的稳定性和可靠性,在交通流量预测中具有实用性和推广性。