基于稀疏高斯过程混合模型的短时交通流预测

• 作者: 何静飞 周亚同 常和玲 池越 韩春颖
• 来源期刊: 交通信息与安全
• 学科: 交通运输
• 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
• 年，卷（期）: 2019,（1）
• 所属期刊栏目: 交通规划与管理
• 页码范围: 121-127
• 页数: 7页
• 分类号: U491.1
• 字数: 4987字
• 语种: 中文
• DOI: 10.3963/j.issn.1674-4861.2019.01.016

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	池越	河北工业大学电子信息工程学院	33	66	5.0	6.0
2	周亚同	河北工业大学电子信息工程学院	58	236	9.0	13.0
3	何静飞	河北工业大学电子信息工程学院	5	1	1.0	1.0
4	韩春颖	河北工业大学电子信息工程学院	2	6	1.0	2.0
5	常和玲		1	1	1.0	1.0