基于小波降噪的深度极限学习机交通流量预测

范馨月

(贵州大学 数学与统计学院 数学系，贵州 贵阳 550025)

0 引 言

交通流量作为刻画交通状态的基本参数，在城市路网的交通流状态识别中显得尤为重要。交通流量预测按照预测时间长短可以分为长时交通流预测及短时交通流量预测，其中短时交通流量预测时间跨度一般不超过15分钟。短时交通流量准确预测在实际应用中对于智能交通系统建设及路径规划具有重要的意义。对于短时交通流的预测已有许多研究，常用的预测方法有回归预测模型[1]、基于混沌理论的预测模型[2]、支持向量机、人工神经网络预测模型[3-4]等。由于交通流量具有随机性、时变性，序列数据比较复杂，采用回归预测模型对交通流量进行预测误差较大。神经网络依靠其强大的学习能力及容错能力应用也较为广泛，但BP神经网络模型对于短时交通流量的预测学习效率较低，容易陷入局部最优解，对模型的精度有一定的影响。极限学习机(extreme learning machine，ELM)是一种新型的快速学习算法，对于单隐层前馈神经网络(single-hidden layer feedforward neural networks，SLFNs)，极限学习机与传统的支持向量机、反向传播神经网络相比，继承了神经网络逼近非线性函数的优点，它在随机初始化输入层和隐含层之间的权值连接矩阵与偏差的基础上，将传统神经网络训练问题转化为求解线性方程组，并根据广义逆矩阵理论，以解析方式直接计算出其输出权值的最小二乘解，具有原理简单、训练速度快、预测精度高且泛化能力好的特点。……