在当今智能交通系统(ITS)的发展背景下,交通流量预测成为了一个不可或缺的重要组成部分。随着车辆数量的增加和道路容量的有限性,许多城市正在经历交通拥堵。准确的交通流量预测可以帮助政府机构做出合理的决策,有效地缓解交通拥堵并减少碳排放。同时,个人用户也可以利用交通流量预测来规避交通堵塞,合理规划出行路线。
在这样的背景下,数据驱动的交通流量预测方法变得尤为关键。由于交通流量数据的快速增长,迫切需要快速和准确的预测方法。在本文中,提出了一种新颖的快速学习模糊方法用于解决交通流量预测问题。文章中所提出的快速学习数据驱动模糊方法,利用极端学习机(ELM)来优化模糊规则的后件参数,实现快速学习。为了进一步简化模糊推理系统,提出了测量模糊规则的单一水平的模糊规则剪枝策略。通过实验应用交通流量预测,并将其结果与广泛使用的方法进行了比较。实验结果证明了所提出的方法可以取得令人满意的效果。与其他方法相比,所提出的方法结构更为简单、参数更少,学习速度更快。
关键词包括:交通流量预测、数据驱动方法、模糊系统、极端学习方法、模糊规则剪枝。
论文引入部分提到,车辆数量的增加和道路容量的限制是造成许多城市交通拥堵的主要原因。为了有效缓解这种交通拥堵,开发智能交通系统(ITS)成为了一条可行的途径。在智能交通系统中,交通流量预测模型对于政府机构和个体用户来说都是非常重要的。准确的交通流量预测可以帮助政府机构做出更加合适的决策,高效地缓解交通拥堵并减少碳排放;与此同时,个人用户也可以利用准确的交通流量预测信息来规避交通堵塞,合理规划出行路线。
研究者们开发了一种新的快速学习模糊方法,它是一种数据驱动的方法,该方法使用了极端学习机来优化模糊规则的后件参数,以达到快速学习的目的。为了进一步简化模糊推理系统,作者提出了一种新的剪枝策略,这种策略通过对模糊规则的单一水平进行测量,获得了简化的模糊推理系统。为了评估所提出方法的性能,作者将该方法应用于交通流量预测,并将其结果与现有的广泛使用的方法进行了对比。实验结果验证了所提出方法的高效性,并显示出该方法在保持(有时甚至优于)其他方法的性能的同时,结构更简单,参数更少,学习速度更快。
对于关键词的理解,数据驱动方法指的是基于实际数据来构建模型和进行预测的一种方法。模糊系统是指能够处理不确定性信息的系统,其核心在于模糊规则的定义和推理。极端学习机(ELM)是一种新型的单层前馈神经网络,它在训练过程中可以实现快速学习。模糊规则剪枝则是指在保持系统整体性能的基础上,去除不必要的模糊规则,以简化模型结构并提高运行效率的过程。
快速学习模糊方法在数据驱动的交通流量预测领域展现出了巨大的潜力,它不仅能够提高预测的准确性,同时还能有效地缩短学习时间,为智能交通系统的建设和发展提供了重要的技术支撑。