基于稀疏高斯过程混合模型的短时交通流预测

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

所属期刊栏目：37

分类号：U491.1(交通工程与公路运输技术管理)

资助基金：教育部人文社会科学研究规划基金15YJA630108;教育部春晖计划项目Z2017015;河北省引进留学人员资助项目CL201707;河北省研究生创新资助项目CXZZSS2018012

在线出版日期：2019-05-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：121-127