基于稀疏高斯过程混合模型的短时交通流预测

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于稀疏高斯过程混合模型的短时交通流预测

韩春颖, 周亚同, 常和玲, 池越, 何静飞

文章导航 > 交通信息与安全 > 2019 > 37(1): 121-127

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. doi: 10.3963/j.issn.1674-4861.2019.01.016

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. doi: 10.3963/j.issn.1674-4861.2019.01.016

HAN Chunying, ZHOU Yatong, CHANG Heling, CHI Yue, HE Jingfei. A Short-term Forecasting of Traffic Flow Based on a Mixture Model of Sparse Gaussian Process[J]. Journal of Transport Information and Safety, 2019, 37(1): 121-127. doi: 10.3963/j.issn.1674-4861.2019.01.016

Citation:

HAN Chunying, ZHOU Yatong, CHANG Heling, CHI Yue, HE Jingfei. A Short-term Forecasting of Traffic Flow Based on a Mixture Model of Sparse Gaussian Process[J]. Journal of Transport Information and Safety, 2019, 37(1): 121-127. doi: 10.3963/j.issn.1674-4861.2019.01.016

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. doi: 10.3963/j.issn.1674-4861.2019.01.016

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. doi: 10.3963/j.issn.1674-4861.2019.01.016

HAN Chunying, ZHOU Yatong, CHANG Heling, CHI Yue, HE Jingfei. A Short-term Forecasting of Traffic Flow Based on a Mixture Model of Sparse Gaussian Process[J]. Journal of Transport Information and Safety, 2019, 37(1): 121-127. doi: 10.3963/j.issn.1674-4861.2019.01.016

Citation:

HAN Chunying, ZHOU Yatong, CHANG Heling, CHI Yue, HE Jingfei. A Short-term Forecasting of Traffic Flow Based on a Mixture Model of Sparse Gaussian Process[J]. Journal of Transport Information and Safety, 2019, 37(1): 121-127. doi: 10.3963/j.issn.1674-4861.2019.01.016

基于稀疏高斯过程混合模型的短时交通流预测

doi: 10.3963/j.issn.1674-4861.2019.01.016

河北工业大学电子信息工程学院天津300401
河北工业大学电子信息工程学院天津300401
国家电网栾城分公司石家庄051430
河北工业大学电子信息工程学院天津300401
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

中图分类号: U491.1
计量
- 文章访问数: 324
- HTML全文浏览量: 73
- PDF下载量: 5
- 被引次数: 0
出版历程
- 刊出日期: 2019-02-28

A Short-term Forecasting of Traffic Flow Based on a Mixture Model of Sparse Gaussian Process

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.
- 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

参考文献(0)

资源附件(0)

WeChat

点击查看大图

计量

文章访问数: 324
HTML全文浏览量: 73
PDF下载量: 5
被引次数: 0

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回

版权所有《交通信息与安全》编辑部鄂ICP备05003336号-2

通信地址：湖北省武汉市武昌区和平大道1178号，武汉理工大学余家头校区 (430063)

联系电话：027-86580355电子邮箱：jtjsj@vip.163.com

本系统由北京仁和汇智信息技术有限公司开发