-
题名基于分数阶优化的极限学习机交通流短时预测模型
- 1
-
-
作者
李卓轩
何桂仲
卫一恒
曹进德
-
机构
东南大学数学学院
综合交通运输理论交通运输行业重点实验室(南京现代综合交通实验室)中华人民共和国交通运输部
-
出处
《控制理论与应用》
北大核心
2025年第6期1191-1199,共9页
-
基金
国家自然科学基金项目(62273092,U22B2046)
交通运输行业综合运输理论重点实验室(南京现代多式联运实验室)开放项目(MTF2023004)资助。
-
文摘
在智能交通系统中,交通流预测在交通管理和减少拥堵方面发挥着关键作用.本文旨在开发一种高效、非迭代的神经网络方法用于交通流短时预测,该方法被称为改进分数阶极限学习机(IFra-ELM).通过分数岭回归算法,使得ELM算法在求解输出权重时具有更好的性能,该方法被称为分数极限学习机(Fra-ELM).在输入层之后添加改进分数阶累加层,将与原始输入进行拼接,增强了ELM算法的特征提取能力.通过改进分数阶累加层与分数极限学习机相结合,增强了模型对于不同场景下交通流的预测能力和鲁棒性.实验结果表明,与传统方法相比,IFraELM模型在交通流预测方面具有优越的性能.该框架有潜力提高交通预测系统的准确性和效率,有助于智能交通基础设施的发展.
-
关键词
交通流预测
神经网络
分数阶累加
改进分数阶极限学习机
-
Keywords
traffic flow prediction
neural networks
fractional-order accumulation
improved fractional-order extreme learning machine
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
