边境 crossing 交通区间预测中的可靠性与区间锐度
神经与进化计算
2017-11-15 v1
摘要
过去几十年中，短期交通量预测模型已被广泛研究。然而，以往大多数研究仅关注单值预测。考虑到交通系统具有不确定性与混沌特性，具有上下界且准确可靠的预测区间可能优于单点值，更利于交通管理。本文引入一种称为极限学习机（Extreme Learning Machine, ELM）的神经网络模型用于短期交通量区间预测，并利用启发式粒子群优化算法（particle swarm optimization, PSO）对其进行改进。所提出的混合 PSO-ELM 模型可在不同置信水平下生成预测区间，并通过最小化考虑可靠性与区间锐度两个准则的多目标函数来保证质量。PSO-ELM 模型基于小时级交通数据集建立，并与 ARMA 和卡尔曼滤波（Kalman Filter）模型进行比较。结果表明，ARMA 模型在所有置信水平下表现最差；从区间可靠性与窄度来看，PSO-ELM 模型与卡尔曼滤波相当，尽管 PSO-ELM 参数在训练完成后即固定，而卡尔曼滤波采用在线更新方式。此外，仅 PSO-ELM 能够生成覆盖概率高于或等于置信水平的区间。对于落在 PSO-ELM 所给预测区间之外的点，它们非常接近边界。
引用
@article{arxiv.1711.04848,
title = {Reliability and Sharpness in Border Crossing Traffic Interval Prediction},
author = {Lei Lin and John Handley and Adel Sadek},
journal= {arXiv preprint arXiv:1711.04848},
year = {2017}
}
备注
Presented at 2017 TRB Annual Meeting