基于分数阶优化的极限学习机交通流短时预测模型
李卓轩1
何桂仲2
卫一恒2
曹进德1
1.东南大学数学学院,江苏南京 211189;综合交通运输理论交通运输行业重点实验室(南京现代综合交通实验室)中华人民共和国交通运输部,江苏南京 2111352.东南大学数学学院,江苏南京 211189
摘要：在智能交通系统中,交通流预测在交通管理和减少拥堵方面发挥着关键作用.本文旨在开发一种高效、非迭代的神经网络方法用于交通流短时预测,该方法被称为改进分数阶极限学习机(IFra-ELM).通过分数岭回归算法,使得ELM算法在求解输出权重时具有更好的性能,该方法被称为分数极限学习机(Fra-ELM).在输入层之后添加改进分数阶累加层,将与原始输入进行拼接,增强了ELM算法的特征提取能力.通过改进分数阶累加层与分数极限学习机相结合,增强了模型对于不同场景下交通流的预测能力和鲁棒性.实验结果表明,与传统方法相比,IFra-ELM模型在交通流预测方面具有优越的性能.该框架有潜力提高交通预测系统的准确性和效率,有助于智能交通基础设施的发展.
关键词：交通流预测神经网络分数阶累加改进分数阶极限学习机
论文发表日期：2025-06-30
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：9( 1191-1199 )
英文信息