城市路网短期行程时间预测研究

作者：刘浩; 张可; 汉克·范少伦行程时间预测状态空间神经网络扩展卡尔曼滤波

摘要：提出了一种基于状态空间神经网络（SSNN）和拓展卡尔曼滤波（EKF）的混合式行程时间预测模型．以往的研究表明，状态空间神经网络能够较好地处理复杂的非线性时空问题．然而，状态空间神经网络需要大量的历史数据作为离线训练之用．其不足之处在于，首先是需要花费大量的时间和精力去收集、准备数据，以及训练神经网络．其次，输入输出随着时间不断增加，训练过程需要不断的从新重复．为了提高状态空间神经网络的有效性，扩展卡尔曼滤波代替了传统的方法来对神经网络进行训练．荷兰的一条城市道路被选择为模型验证的试验路段．通过与另外两个预测模型之间的对比验证，该模型的预测能力能够达到满意的有效性、准确性和鲁棒性．

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社