基本信息

---

下载

文档摘要

---

基于分数阶累加生成的短时交通流预测模型研究

一、研究背景

随着城市化进程的不断加快，城市交通拥堵问题日益严峻，给人们的出行带来了极大的不便，也制约了城市的可持续发展。短时交通流预测作为智能交通系统的核心组成部分，能够为交通管理部门提供准确的交通流信息，辅助制定科学合理的交通管控策略，有效缓解交通拥堵。

当前，已有的短时交通流预测模型存在一些不足。传统的统计模型如自回归滑动平均模型（ARMA）等，假设交通流数据具有线性特性，而实际交通流往往呈现出复杂的非线性、非平稳特性，导致预测精度受限。机器学习模型如支持向量机（SVM）、神经网络等，虽然在处理非线性问题上有一定优势，但对数据的依赖性较强，当数