典型文献
基于PCA-GRA-AdaBoost的交通流预测模型研究
文献摘要：
针对交通流数据非线性和时序性特点,综合考虑天气因素与交通流量的潜在关系,提出一种基于主成分分析法(PCA)、灰色关联分析法(GRA)和自适应提升(adaptive boosting,AdaBoost)算法相结合的预测模型.首先利用PCA对样本进行降噪处理,再采用GRA计算各天气因素和交通流的非线性关联度,将灰色关联系数大于0.6的相关性强的特征变量输入到AdaBoost集成模型中,进行了模型简化.实验结果表明:与长短期记忆神经网络(LSTM)、分类回归树(CART)、自回归积分滑动平均模型(ARIMA)以及未被优化的AdaBoost集成模型对比,提出的PCA-GRA-AdaBoost模型在预测误差和确定系数等指标方面均优于其他传统算法,体现了较高的预测精度.
文献关键词：
交通流预测;主成分分析;灰色关联度分析;集成学习
中图分类号：
作者姓名：
王方伟;陈景雅;谢敏慧;石宝存
作者机构：
河海大学土木与交通学院,南京 210098
文献出处：
引用格式：
[1]王方伟;陈景雅;谢敏慧;石宝存-.基于PCA-GRA-AdaBoost的交通流预测模型研究)[J].河南科学,2022(03):396-402
A类：
B类：
GRA,AdaBoost,交通流预测,流数据,时序性,天气因素,交通流量,潜在关系,灰色关联分析法,自适应提升,adaptive,boosting,降噪处理,非线性关联,灰色关联系数,特征变量,集成模型,模型简化,长短期记忆神经网络,分类回归树,CART,自回归积分滑动平均模型,ARIMA,模型对比,预测误差,传统算法,灰色关联度分析,集成学习
AB值：
0.338845
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
