论文摘要
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。
论文目录
文章来源
类型: 期刊论文
作者: 邢一鸣,班晓娟,刘旭,尹航,沈晴
关键词: 核超限学习机,群组,交通拥堵,预测,神经网络
来源: 计算机科学 2019年11期
年度: 2019
分类: 信息科技,工程科技Ⅱ辑
专业: 公路与水路运输,自动化技术
单位: 北京科技大学计算机与通信工程学院,沈阳航空航天大学工程训练中心
基金: 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)资助
分类号: U491.265;TP181
页码: 241-246
总页数: 6
文件大小: 1101K
下载量: 327