一种改进的短期交通流量预测算法研究

短期交通流量预测已经成为智能交通系统的重要研究领域。为了进行流量动态分配,积极有效地运行交通管理系统,必须要准确估计交通流量。在预测短期流量时,近期流量信息显然对将来短期流量预测具有重要的预示作用,即应该考虑取决于交通流量数据时差的相对重要性。文中提出一种新的短期流量预测模型:基于在线学习的加权支持向量回归模型(OLWSVR)。OLWSVR模型与多种知名预测模型(包括人工神经网络模型、局部加权回归模型、传统的支持向量回归模型,及在线学习支持向量模型)进行比较。结果表明,文中模型的性能优于其他当前模型的性能。