基于核学习方法的短时交通流量预测

• 作者: 李军 王秋莉
• 来源期刊: 计算机应用研究
• 关键词: 核学习方法 短时交通流 预测
• 年，卷（期）: 2019,（3）
• 所属期刊栏目: 算法研究探讨
• 页码范围: 696-700
• 页数: 5页
• 分类号: TP273.5
• 语种: 中文
• DOI: 10.19734/j.issn.1001-3695.2017.09.0916

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李军	兰州交通大学自动化与电气工程学院	70	490	13.0	19.0
2	王秋莉	兰州交通大学自动化与电气工程学院	3	6	1.0	2.0