基于数据流集成回归的短时交通流预测

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

基于数据流集成回归的短时交通流预测

徐文华, 魏志强

文章导航 > 交通信息与安全 > 2014 > 32(4): 14-19,40

徐文华, 魏志强. 基于数据流集成回归的短时交通流预测[J]. 交通信息与安全, 2014, 32(4): 14-19,40. doi: 10.3963/j.issn.1674-4861.2014.04.003

引用本文:

徐文华, 魏志强. 基于数据流集成回归的短时交通流预测[J]. 交通信息与安全, 2014, 32(4): 14-19,40. doi: 10.3963/j.issn.1674-4861.2014.04.003

XU Wenhua, WEI Zhiqiang. An Online Short-term Traffic Flow Prediction Model Based on Data Stream Ensemble Regression[J]. Journal of Transport Information and Safety, 2014, 32(4): 14-19,40. doi: 10.3963/j.issn.1674-4861.2014.04.003

Citation:

XU Wenhua, WEI Zhiqiang. An Online Short-term Traffic Flow Prediction Model Based on Data Stream Ensemble Regression[J]. Journal of Transport Information and Safety, 2014, 32(4): 14-19,40. doi: 10.3963/j.issn.1674-4861.2014.04.003

徐文华, 魏志强. 基于数据流集成回归的短时交通流预测[J]. 交通信息与安全, 2014, 32(4): 14-19,40. doi: 10.3963/j.issn.1674-4861.2014.04.003

引用本文:

徐文华, 魏志强. 基于数据流集成回归的短时交通流预测[J]. 交通信息与安全, 2014, 32(4): 14-19,40. doi: 10.3963/j.issn.1674-4861.2014.04.003

XU Wenhua, WEI Zhiqiang. An Online Short-term Traffic Flow Prediction Model Based on Data Stream Ensemble Regression[J]. Journal of Transport Information and Safety, 2014, 32(4): 14-19,40. doi: 10.3963/j.issn.1674-4861.2014.04.003

Citation:

XU Wenhua, WEI Zhiqiang. An Online Short-term Traffic Flow Prediction Model Based on Data Stream Ensemble Regression[J]. Journal of Transport Information and Safety, 2014, 32(4): 14-19,40. doi: 10.3963/j.issn.1674-4861.2014.04.003

基于数据流集成回归的短时交通流预测

doi: 10.3963/j.issn.1674-4861.2014.04.003

中国海洋大学信息科学与工程学院山东青岛266100
中国海洋大学信息科学与工程学院山东青岛266100

基金项目:

青岛市应用基础研究计划项目

国家自然科学基金项目

中图分类号: U491
计量
- 文章访问数: 522
- HTML全文浏览量: 112
- PDF下载量: 0
- 被引次数: 0
出版历程
- 刊出日期: 2014-08-28

An Online Short-term Traffic Flow Prediction Model Based on Data Stream Ensemble Regression

摘要: 传统的交通流预测技术使用静态和离线算法,无法对模型的参数值和内部结构进行在线调整.然而,交通流变化具有明显的动态性,其内在模式会随时间发生变化,导致构建好的模型准确度下降.针对上述问题,提出了基于数据流集成回归的短时交通流预测模型.将不断产生的交通流数据划分成数据块,每个数据块训练1个基础回归模型,然后加权组合为集成模型.通过不断训练新的基础模型,并置换出集成模型中准确度最差的基础模型,实现在线更新.在实测数据上的对比实验结果表明,与静态离线的BN模型相比,模型的均方根误差降低了19.5%,运算时间降低了48.7%,并能够快速适应交通状况发生明显变化的情况,适用于城市主干道路的短时交通流预测问题.
- CART /
- 短时交通流预测 /
- 回归算法 /
- 集成学习 /
- 数据流
- CART /
- short-term traffic flow prediction /
- regression algorithm /
- ensemble learning /
- data stream

参考文献(0)

资源附件(0)

WeChat

点击查看大图

计量

文章访问数: 522
HTML全文浏览量: 112
PDF下载量: 0
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