基于核超限学习机群组算法的交通拥堵预测
城市交通拥堵预测是智能交通系统研究的重要内容之一.交通运行状态具有高度不确定性和复杂性,目前已经有多种基于神经网络的预测技术被引入交通预测领域中.然而,传统的神经网络具有训练时间长、易陷入过拟合和局部最优等缺点,这严重阻碍了神经网络在交通预测领域的大规模应用.超限学习机是一种新型的单隐层前馈神经网络,具有泛化能力强、训练速度快、产生唯一最优解等诸多优点.基于超限学习机算法,文中提出了核超限学习机群组算法,此算法由多个超限学习机子模型组成,每个子模型只负责某一类样本的学习,该算法使每一类样本均能达到全局最优,整体可以获得比超限学习机更高的预测准确率.实验结果表明,单进程的核超限学习机群组算法比超限学习机的训练时间稍短,但前者的准确率较后者提高了8%;相比其他流行的机器学习算法,核超限学习机群组算法的训练速度快、预测准确度高;经过核超限学习机群组算法预测的结果与实际情况较为符合,可靠性高,具有很强的实用价值.
核超限学习机、群组、交通拥堵、预测、神经网络
46
TP399(计算技术、计算机技术)
国家重点研发计划2016YFB0700500;国家自然科学基金项目61702036,61572075;国家航空科学基金项目2015ZB54007;辽宁省教育厅科学研究项目L201627
2019-12-13(万方平台首次上网日期,不代表论文的发表时间)
共6页
241-246