文件名称：论文研究-基于核学习方法的短时交通流量预测.pdf
文件大小：1.12MB
文件格式：PDF
更新时间：2022-08-11 15:45:54
核学习方法,短时交通流,预测
基于核学习的强大非线性映射性能，针对短时交通流量预测，提出一类基于核学习方法的预测模型。核递推最小二乘（KRLS）基于近似线性依赖（approximate linear dependence，ALD）技术可降低计算复杂度及存储量，是一种在线核学习方法，适用于较大规模数据集的学习；核偏最小二乘（KPLS）方法将输入变量投影在潜在变量上，利用输入与输出变量之间的协方差信息提取潜在特征；核极限学习机（KELM）方法用核函数表示未知的隐含层非线性特征映射，通过正则化最小二乘算法计算网络的输出权值，能以极快的学习速度获得良好的推广性。为验证所提方法的有效性，将KELM、KPLS、ALD-KRLS用于不同实测交通流数据中，在同等条件下，与现有方法进行比较。实验结果表明，不同核学习方法的预测精度和训练速度均有所提高，体现了核学习方法在短时交通流量预测中的应用潜力。