短期交通流量預測對輔助交通疏導緩解交通擁堵狀況起至關重要的作用。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)進行動態(tài)建模和基于自適應隱變量尋優(yōu)的加權方法。為此,提出一種可以自適應建模隱變量的動態(tài)隨機過程模型,并結合度量雙變量相關性的最大信息系數對時間序列屬性加權,最后成功運用于短時車流量預測。實驗結果顯示,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)的預測性能。

【文章頁數】：7 頁

【部分圖文】：

圖2系統(tǒng)架構圖2．1懲罰因子選擇

圖4顯示了不同逆序數與殘差之間的關系3．2步長與順序訓練

第7期王鳳琴等:自適應參數尋優(yōu)短期車流量預測13圖4顯示了不同逆序數與殘差之間的關系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的殘差都保存到數據庫中，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)下每天早高峰預測值與真實值之間的平均殘差，通過該....

本文編號：4028676