%0 Journal Article
%T 基于SVM与自适应时空数据融合的短时交通流量预测模型
%J 北京工业大学学报
%D 2015
%X 针对短时交通流变化周期性与随机性特点,选取时间和空间序列流量观测值作为支持向量机训练样本进行训练,使用空间序列预测值对交通流时间序列预测结果进行修正,并通过对历史时间空间序列预测结果的分析,动态调整其对未来预测的影响,建立基于SVM与自适应时空数据融合的短时交通流量预测模型.最后,将提出的预测模型与支持向量机时间序列预测模型、指数平滑法、多元回归法预测结果进行对比,结果表明:自适应时空数据融合预测模型可将预测平均相对误差控制在4%,明显高于其他模型预测精度.
%K 短时交通流预测
%K 支持向量机
%K 自适应
%K 数据融合
%K 相关分析
%U http://www.bjgd.cbpt.cnki.net/WKA/WebPublication/paperDigest.aspx?paperID=2079ec07-d073-44e5-aff1-ced78bde0785