《表2 UARS,BP NN,RW,SVM和RBF NN的MAE,MRE和RMSE的性能比较》
将提出的UAR与BP神经网络,随机游走(RW)挖掘方法,支持向量机(SVM)方法和径向基函数(RBF)NN模型的性能进行了比较。在这四种竞争方法中,RW方法是一个简单的基准,可以挖掘将来的流量等于当前的流量(Xt+1=Xt),而NN方法对于流量挖掘具有良好的性能,如第2节所述,并且SVM方法是一种相对高级的挖掘模型。在所有情况下,都使用相同的数据集。表2给出了平均15min的城市交通流大于450辆的高速公路测试数据集的挖掘结果。在表2可以看到,所有4个任务的UAR的平均准确度(1-MRE)都超过93%,并且MAE值较低。这种挖掘准确性是有希望的,可靠的,并且可以与报告的结果相比较。请注意,仅将交通量数据用作挖掘的输入,而没有考虑与交通量有关系的人工工程因素,例如天气条由表2还可以发现,对于交通量的短期挖掘,UAR比件,事故和其他城市交通流参数(密度和速度)。BP NN模型,RW、SVM和RBF NN模型更为准确。对于BP神经网络,挖掘性能相对稳定,从88%~90%。对于RW、SVM和RBF,随着交通流数据的总时间间隔的增加,平均挖掘精度会下降很多。对于15min的流量挖掘,RW,SVM和RBF的平均准确度分别为7.8%、8.0%和7.4%。但是,对于60min的流量挖掘,RW、SVM和RBF的平均准确性分别大幅下降至22.3%、22.1%和26.4%。与BP神经网络相比,UAR的最大平均挖掘准确度提高了4.8%,与RW相比超过16%,与SVM相比超过15%,与RBF相比超过20%。
图表编号 | XD00191281700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.11.01 |
作者 | 张婷曼、丁凰 |
绘制单位 | 西安交通大学城市学院、西安交通大学城市学院 |
更多格式 | 高清、无水印(增值服务) |