原文传递
基于稀疏高斯过程混合模型的短时交通流预测
| 题名： | 基于稀疏高斯过程混合模型的短时交通流预测 |
| 正文语种： | 中文 |
| 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 |
| 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 |
| 期刊名称： | 交通信息与安全 |
| 出版年： | 2019 |
| 期： | 01 |
| 页码： | 121-127 |
检索历史
应用推荐
