|
| 方法 |
优势 |
缺点 |
|
| 人工神经网络 |
(我)是一种基于输入的自适应系统,可以改变结构在学习阶段(96年]。 |
(我)摘要需要庞大的数据训练模型由于参数的复杂性导致其参数nonsharing技术(97年]。 |
| (2)早期功能定义,模糊神经网络显示了出色的效率获取数据的非线性关系。 |
(2)模型的训练收敛速度很慢。 |
| 回归模型 |
(我)模型适用于时间序列问题。 |
(我)线性模型不能处理非线性,使其难以解决复杂的预测问题。 |
| (2)交通拥堵预测问题很容易解决。 |
(2)线性模型对离群值很敏感。 |
| (3)ARIMA可以提高精度通过维持最低参数。 |
(3)计算昂贵。 |
| (iv)在模型中最低的复杂性。 |
(iv) ARIMA不能交易multifeature有效数据集。 |
|
(v) ARIMA无法捕捉到快速变化的交通流(8]。 |
| 支持向量机 |
(我)它在模式识别和分类是有效的。 |
(我)核函数选择的不当可能会导致不准确的结果。 |
| (2)一个普遍的学习算法,可以减少分类错误概率通过减少结构性风险(1]。 |
(2)不稳定的交通流需要改进的支持向量机的预测精度。 |
| (3)它不需要一个庞大的样本大小。 |
(3)需要很高的计算时间和内存。 |
|
