控制理论与应用

作者：李卓轩,何桂仲,卫一恒,曹进德

单位：东南大学数学学院,东南大学数学学院,东南大学数学学院,东南大学数学学院

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

基金：国家自然科学基金项目(62273092, U22B2046), 交通运输行业综合运输理论重点实验室(南京现代多式联运实验室)开放项目(MTF2023004)资助.

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, IFraELM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.

来源：2025年第6期

《控制理论与应用》期刊编辑部

查看控制理论与应用杂志2025年第6期