特異スペクトル分析とカーネルエクストリームラーニングマシンに基づくハイブリッド短期トラフィックフロー予測モデル

短期の交通フロー予測は、インテリジェント輸送システム（ITS）の分野で最も重要な問題の1つです。不確実性と非線形性のため、短期のトラフィックフロー予測は困難な作業です。短時間のトラフィックフロー予測の精度を改善するために、単数形スペクトル分析（SSA）およびカーネルエクストリームラーニングマシン（KELM）に基づいてハイブリッドモデル（SSA-KELM）が提案されています。SSAは、トラフィックフローの時系列のノイズを除外するために使用されます。次に、フィルタリングされたトラフィックフローデータを使用してKELMモデルをトレーニングし、提案されたモデルの最適な入力形式は位相空間再構成によって決定され、モデルのパラメーターは重力検索アルゴリズム（GSA）によって最適化されます。最後に、中国のXiamenの高速道路の測定データを使用して、症例検証が実行されます。また、SSA-KELMモデルは、サポートベクターマシン、極端な学習マシン、単一のKLEMモデルなど、いくつかのよく知られている予測モデルと比較されます。実験結果は、提案されたモデルのパフォーマンスが比較モデルのパフォーマンスよりも優れていることを示しています。精度の改善とは別に、提案されたモデルはより堅牢です。

Short-term traffic flow prediction is one of the most important issues in the field of intelligent transport system (ITS). Because of the uncertainty and nonlinearity, short-term traffic flow prediction is a challenging task. In order to improve the accuracy of short-time traffic flow prediction, a hybrid model (SSA-KELM) is proposed based on singular spectrum analysis (SSA) and kernel extreme learning machine (KELM). SSA is used to filter out the noise of traffic flow time series. Then, the filtered traffic flow data is used to train KELM model, the optimal input form of the proposed model is determined by phase space reconstruction, and parameters of the model are optimized by gravitational search algorithm (GSA). Finally, case validation is carried out using the measured data of an expressway in Xiamen, China. And the SSA-KELM model is compared with several well-known prediction models, including support vector machine, extreme learning machine, and single KLEM model. The experimental results demonstrate that performance of the proposed model is superior to that of the comparison models. Apart from accuracy improvement, the proposed model is more robust.