交通数据融合的行程时间预测模型：遗传算法优化小波神经网络

"基于交通数据融合技术的行程时间预测模型* (2014年)" 本文主要探讨了城市道路行程时间预测的问题，提出了一种结合浮动车GPS数据和微波检测器交通数据的融合模型，以提高预测的准确性和可靠性。在传统的行程时间预测方法中，通常依赖单一数据源，这可能导致预测精度不足。作者李嘉等人针对这一问题，创新性地构建了一个融合多种数据来源的预测模型。 模型的核心是运用遗传算法优化的小波神经网络（WNN）。小波神经网络由于其对非线性问题的处理能力而被广泛应用，但其初始参数的选择往往带有盲目性和随机性，这可能影响网络的训练效果和速度。通过遗传算法的优化，可以有效地解决这个问题，提高网络的搜索效率，从而加速训练过程，使模型的训练更加高效。 实验结果显示，该模型预测的行程时间与实际通过视频观测的数据高度吻合，验证了模型的有效性和可靠性。这一成果对于交通管理、交通规划以及智能交通系统有着重要的应用价值。通过精确的行程时间预测，可以提前预知交通状况，减少交通拥堵，优化路网资源配置，提高城市交通系统的运行效率。 此外，论文还涉及到数据融合技术的应用，这是现代交通系统中不可或缺的一部分。数据融合是指将来自不同传感器或数据源的信息整合在一起，以提供更全面、准确的态势理解。在本研究中，浮动车GPS数据提供了实时动态的道路信息，而微波检测器交通数据则补充了静态交通状态的观测，两者的结合显著提升了预测的精度。 关键词涵盖了数据融合、行程时间预测、预测模型、小波神经网络以及遗传算法等核心概念。这些关键词反映了研究的主要技术和方法，它们在中国分类号U121的交通工程领域具有重要意义，并被赋予了A类文献标识码，表明这是一项原创性的科学研究。 这项工作不仅提出了一个创新的行程时间预测模型，而且展示了数据融合和优化算法在提升预测精度上的潜力，为未来交通领域的研究和发展提供了有价值的参考。