短期交通流量預(yù)測對輔助交通疏導(dǎo)緩解交通擁堵狀況起至關(guān)重要的作用。當前很多研究都基于單變量、多變量時間序列分析,而缺乏對時間序列的隱變量(順序和逆序數(shù))進行動態(tài)建模和基于自適應(yīng)隱變量尋優(yōu)的加權(quán)方法。為此,提出一種可以自適應(yīng)建模隱變量的動態(tài)隨機過程模型,并結(jié)合度量雙變量相關(guān)性的最大信息系數(shù)對時間序列屬性加權(quán),最后成功運用于短時車流量預(yù)測。實驗結(jié)果顯示,與傳統(tǒng)時間序列分析(自回歸滑動平均ARIMA,徑向基支持向量機)相比,取得了較優(yōu)的預(yù)測性能。

【文章頁數(shù)】：7 頁

【部分圖文】：

圖2系統(tǒng)架構(gòu)圖2．1懲罰因子選擇

圖4顯示了不同逆序數(shù)與殘差之間的關(guān)系3．2步長與順序訓練

第7期王鳳琴等:自適應(yīng)參數(shù)尋優(yōu)短期車流量預(yù)測13圖4顯示了不同逆序數(shù)與殘差之間的關(guān)系3．2步長與順序訓練在當前時間點，所有之前的決策選擇以及與之相應(yīng)的殘差都保存到數(shù)據(jù)庫中，在選擇步長時，計算在當前步長下，不同步長的選擇而產(chǎn)生的殘差，當殘差小于當前步長下的平均殘差時，認為該步長的選....

圖72014年1月份到七月份不同灰色模型下的平均殘差3．3．2與其他回歸模型的比較

14計算機應(yīng)用與軟件2018年以上的性能改善。圖72014年1月份到七月份不同灰色模型下的平均殘差3．3．2與其他回歸模型的比較計算不同預(yù)測模型策略(AＲIMA模型、徑向基支持向量機模型和本文的基于動態(tài)隨機過程的貝葉斯強化學習策略)下每天早高峰預(yù)測值與真實值之間的平均殘差，通過該....

圖82014年1月份到七月份不同回歸模型下的平均殘差

14計算機應(yīng)用與軟件2018年以上的性能改善。圖72014年1月份到七月份不同灰色模型下的平均殘差3．3．2與其他回歸模型的比較計算不同預(yù)測模型策略(AＲIMA模型、徑向基支持向量機模型和本文的基于動態(tài)隨機過程的貝葉斯強化學習策略)下每天早高峰預(yù)測值與真實值之間的平均殘差，通過該....

本文編號：4028676