| 基于稀疏高斯过程混合模型的短时交通流预测 |
| |
| 引用本文： | 韩春颖,周亚同,常和玲,池越,何静飞.基于稀疏高斯过程混合模型的短时交通流预测[J].交通信息与安全,2019,37(1):121-127. |
| |
| 作者姓名： | 韩春颖 周亚同 常和玲 池越 何静飞 |
| |
| 作者单位： | 河北工业大学电子信息工程学院 天津300401 |
| |
| 基金项目： | 河北省研究生创新资助项目河北省引进留学人员资助项目教育部春晖计划项目教育部人文社会科学研究规划基金 |
| |
| 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.
|
| 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 |
A Short-term Forecasting of Traffic Flow Based on a Mixture Model of Sparse Gaussian Process |
| |
| Abstract: | |
| |
| Keywords: | |
| 本文献已被 CNKI 等数据库收录！ |
| 点击此处可从《交通信息与安全》浏览原始摘要信息 |
|
点击此处可从《交通信息与安全》下载全文 |
|
