关键词:城市交通流，多步超前预测，多步超前预测，多步超前预测遗传算法交通流的数学模型已经得到了广泛的研究和应用，例如利用统计学和机器学习方法进行交通规划和缓解交通压力。然而，由于各种原因，仍然存在许多具有挑战性的问题。在本研究中，我们主要关注三个问题:(a)交通流数据是非负的，因此，找到合适的概率分布是至关重要的;(b)交通流复杂的随机特性导致非平稳方差，即异方差;(c)交通流的多步超前预测往往表现不佳。为此，我们开发了一个基于伽玛分布的时间序列( 遗传算法TS)模型。首先，利用Box-Cox变换将原始交通流观测数据转化为非负实值数据。然后，通过指定具有伽马分布的广义线性模型，分别用过去数据和同期项回归分布的均值和方差。利用贝叶斯信息准则选择合适的Box-Cox变换系数和最优模型结构。最后，将该模型应用于中国大连市的城市交通流数据。结果表明，所提出的方法是可行的 遗传算法该方法具有良好的预测性能，能很好地表征非平稳随机特性。SN - 1530-8669 UR - https://doi.org/10.1155/2020/8877731 DO - 10.1155/2020/8877731 JF -无线通信和移动计算PB - Hindawi KW - ER -