基于核学习方法的短时交通流量预测

基于核学习方法的短时交通流量预测

论文摘要

基于核学习的强大非线性映射性能,针对短时交通流量预测,提出一类基于核学习方法的预测模型。核递推最小二乘(KRLS)基于近似线性依赖(approximate linear dependence,ALD)技术可降低计算复杂度及存储量,是一种在线核学习方法,适用于较大规模数据集的学习;核偏最小二乘(KPLS)方法将输入变量投影在潜在变量上,利用输入与输出变量之间的协方差信息提取潜在特征;核极限学习机(KELM)方法用核函数表示未知的隐含层非线性特征映射,通过正则化最小二乘算法计算网络的输出权值,能以极快的学习速度获得良好的推广性。为验证所提方法的有效性,将KELM、KPLS、ALD-KRLS用于不同实测交通流数据中,在同等条件下,与现有方法进行比较。实验结果表明,不同核学习方法的预测精度和训练速度均有所提高,体现了核学习方法在短时交通流量预测中的应用潜力。

论文目录

  • 0 引言
  • 1 核学习方法
  •   1.1 KELM方法
  •   1.2 KPLS方法
  •   1.3 KRLS方法
  • 2 短期交通流预测实例
  •   2.1 实例1
  •   2.2 实例2
  • 3 结束语
  • 文章来源

    类型: 期刊论文

    作者: 王秋莉,李军

    关键词: 核学习方法,短时交通流,预测

    来源: 计算机应用研究 2019年03期

    年度: 2019

    分类: 信息科技,工程科技Ⅱ辑

    专业: 公路与水路运输,自动化技术

    单位: 兰州交通大学自动化与电气工程学院

    基金: 国家自然科学基金资助项目(51467008)

    分类号: U491.14;TP181

    DOI: 10.19734/j.issn.1001-3695.2017.09.0916

    页码: 696-700

    总页数: 5

    文件大小: 369K

    下载量: 305

    相关论文文献

    标签:;  ;  ;  

    基于核学习方法的短时交通流量预测
    下载Doc文档

    猜你喜欢