基于稀疏高斯过程混合模型的短时交通流预测

论文摘要

交通流预测在智能交通系统中起重要作用。由于短时交通流的时变性,传统预测模型效果较差。将稀疏高斯过程混合（SGPM）模型用于短时交通流预测,并研究了隐变量后验硬划分学习算法,该算法依据最大后验估计矫正样本划分,不断迭代实现最优分组。将SGPM模型与核回归（K-R）、最小最大概率机回归（MPMR）、线性回归（L-R）以及高斯过程（GP）的预测结果对比。同时将新的学习算法与传统variational和LooCV学习算法比较。结果表明,基于新算法的SGPM模型不仅能够分模态展示预测结果、输出置信区间,且短时交通流预测均方误差可达0.047 6,训练耗时达7.121 4 s,均优于其他模型。

论文目录

• 0 引 言
• 1 稀疏高斯过程混合模型及隐变量后验硬划分算法
•   1.1 SGPM模型
•   1.2 SGPM的隐变量后验硬划分学习算法
• 2 基于SGPM的短时交通流预测
• 3 实验结果及比较分析
•   3.1 数据来源及预处理
•   3.2 预测结果
• 4 结 论

文章来源

类型: 期刊论文

作者: 韩春颖,周亚同,常和玲,池越,何静飞

关键词: 智能交通,交通流预测,稀疏高斯过程混合,隐变量后验硬划分,多模态

来源: 交通信息与安全 2019年01期

年度: 2019

分类: 工程科技Ⅱ辑

专业: 公路与水路运输

单位: 河北工业大学电子信息工程学院,国家电网栾城分公司

基金: 教育部人文社会科学研究规划基金(15YJA630108),教育部春晖计划项目(Z2017015),河北省引进留学人员资助项目(CL201707),河北省研究生创新资助项目(CXZZSS2018012)资助

分类号: U491.14

页码: 121-127

总页数: 7

文件大小: 514K

下载量: 272