基于参与式机器学习方法的行程时间动态预测模型

作     者：周正华 丁益星 李永义 王启超 徐令宇 ZHOU Zhenghua;DING Yixing;LI Yongyi;WANG Qichao;XU Lingyu

作者机构：南京工业大学交通运输工程学院江苏南京210009 弗吉尼亚理工大学交通学院美国弗吉尼亚州 

出 版 物：《应用基础与工程科学学报》 (Journal of Basic Science and Engineering)

年 卷 期：2021年第29卷第1期

页      面：239-250页

核心收录：

学科分类：0810[工学-信息与通信工程] 08[工学] 082303[工学-交通运输规划与管理] 0805[工学-材料科学与工程（可授工学、理学学位）] 082302[工学-交通信息工程及控制] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0823[工学-交通运输工程] 

基　　金：国家自然科学基金青年项目(51308291) 国家自然科学基金面上项目(41374049) 

主　　题：进化的参与式学习 T-S模糊模型 行程时间 卡尔曼滤波算法 交通流 聚类算法 

摘      要：在常规交通流情况下,应用参与式机器学习模型估算了交通密度的预测值,通过交通流密度与行程时间的关系间接估算行程时间的预测值;对参与式机器学习模型进行了改进,将原模型中的子系统计算方法从最小二乘法改进为适合长时间平稳交通预测的卡尔曼滤波法;在此基础上开发了部署在可变情报板上的交通信息诱导系统,利用观测的交通密度组成的向量作为输入,实时动态估算预测值,最终行程时间估算结果优于其他常见的单一预测方法,表明这种方法对预测行程时间有效,可以应用于交通控制相关的领域.