基于速度矩阵和人工神经网络的行程时间组合离线预测模型

《基于速度矩阵和人工神经网络的行程时间组合离线预测模型》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于速度矩阵和人工神经网络的行程时间组合离线预测模型蔡火荣何利力浙江理工大学信息学院摘要：根据行程屮车辆运行状态的时空相关性，结合矩阵的空间结构，构建了路段-时段平均速度矩阵，以表示车辆在行程中不同时空中的运行状态，并提出了一种基于该矩阵模拟车辆运行的行程时间离线预测模型。在此基础上，为了进一步提高该矩阵预测效果，结合相邻行程间的非线性规律，将路段-时间平均矩阵预测模型与BP神经网络模型相结合，构建出一种行程时间组合预测模型。以湖南中烟工业有限责任公司物流配送数据为数据集进行实验，结果表明：该组合模型的预测效果优于单一模型。关键词：行程吋间预测;人工神经网络;智能交通;吋空

2、相关性;作者简介：蔡火荣（1992-）,男，湖北武汉人，硕士研究生，主要从事数据挖掘方面的研宄。作者简介：何利力，E-mail:llhe@zju.edu.cn收稿日期：2017-05-21ACombinedOfflineTravelTimePredictionModelBasedonSpeedMatrixandArtificialNeuralNetworkCAIHuorongHELiliSchoolofInformationScienceandTechnology,ZhejiangSci-TechUniversity:Abstract：Accordingtothetempo

3、ralandspatialcorrelationofthedrivingstateofthevehicleintheitineraryandthespatialstructureofmatrix,asection-timeaveragevelocitymatrixwasproposedtoexpressthedrivingstateofthevehicleatdifferenttimeandspaceintheitinerary.Besides,anofflinetraveltimepredictionmodelbasedonthematrixwaspresentedtos

4、imulatethedrivingofthevehicle.Inordertoimprovethepredictioneffectofthematrix,thesection-timeaveragevelocitymatrixandBPneuralnetworkmodelwerecombinedtoconstructacombinedtraveltimepredictionmodelbycombiningnonlinearrulesofadjacentitineraries.Theexperimentalresultsbasedonactuallogisticssystem

5、datafromChinaTobaccoIndustrialCO.,LTD.showedthatthepredictingeffectofthecombinedmodelisbetterthanthatofsinglemodel.Keyword：traveltimeprediction;artificialneuralnetwork;intelligenttransportationsystem;spatialandtemporalcorrelation;Received：2017-05-210引言行程时间是反映交通状况的一个重要因素m。准确行程时间预测是构建动态路径诱异系

6、统、动态交通信息服务系统及信号协调控制系统的关键技术m。在物流系统中，准确的行程时间预测，可以帮助企业对物流配送各个环节进行高效地协调和规划，从而节约物流成木，提高服务质量。对出行者而言，准确的行程时间预测有助于合理地规划工作和生活。行程中，车辆在行驶吋由于受到多种复杂因素的影响，车辆的速度会不断地随之变化，车辆运行速度的变化最终导致了行程时间的变化。行程中影响车辆行驶速度的因素有交通流量、a有率、车辆类型及比例、自然灾害、交通事故等。其中交通流量、占有率、车辆类型及比例为常规因素，自然灾害和交通事故为非常规因素。Xia等位1也指出，行程中车辆运行状态的动态变化使得行程时间

7、预测的变得困难。因此，通过研究行程中车辆运行速度的变化规律或影响车辆运行速度的相关因素的变化规律可进行行程时间的预测，如:任千里等m根据交通断面流量差、断面速度差与行程吋间的相关性，分别使用历史平均法、神经网络、支持向量机和非参数IHJ归模型分别对行程时间进行预测，并比较不同预测模型在不同距离行程下的预测效果;丁宏飞等m从视频.午.牌系统中提取与行程中速度相关的交通流量、.午.辆类型及其比例等数据，并棊于这些数据构建BP神经网络和SVM组合行程时间预测模型;姜桂艳等使用悉尼自适应交通控制系统(Sydneysoord