林立春 洪东 刘华

文章利用可变系数加权优化方法对交通大数据进行聚类分析，并为了适用于常发性和偶发性拥堵，采用改进的两级加权优化ELM对分类进行模式识别，以期提高拥堵预测的精确度。同时，引入了上下游关联的拥堵传导模型，进一步提高拥堵预测的关联性。当预测到或已检测到交通拥堵时，在拥堵诱导上采用路网局部最优化模型为出行者规划路线，路网全局最优化模型则为管理部门使用并为未来规划提供辅助决策。仿真实验结果表明，多模型融合技术能预测较长时间后的拥堵情况并维持较高的准确率，为构建高效、经济、安全和便捷的现代化综合交通体系提供科技支撑。

大数据;交通拥堵;预测;多模型;拥堵传导

U491.1+13A421515

0 引言

伴随着我国人民生活水平的稳步提高和社会的快速发展，机动车保有量迅速增加，居民出行总量提高，交通拥堵问题越来越严重，成为影响和制约城市发展以及饱受民众诟病的热点。在现今“互联网+”和大数据发展的时代，利用大数据分析以及合适的技术，可以科学地预测道路的拥堵程度，为出行合理规划路线，提高出行效率，减少安全事故隐患，降低城市排放污染，释放城市发展潜能。本文的重点在于拥堵的预测，创新贡献点主要有：（1）可变系数加权聚类优化模型;（2）两级加权并自适应权重模型以全面应对常发性和偶发性拥堵;（3）将两级加权与极限学习机（下称ELM）结合，使其既保持快速又能……