Multistep-Ahead城市交通流量的预测遗传算法TS模型

文摘

交通流的数学模型已经被广泛的研究对于很多应用程序,如规划交通,缓解了交通压力,使用统计和机器学习的方法。然而,仍然有很多挑战性的问题由于各种原因。在这项研究中,我们主要关注三个问题:(a)交通流的数据是负的,在此,找到一个合适的概率分布是必要的;(b)的复杂交通流的随机属性会导致非平稳的方差,即。异方差性;和(c)的multistep-ahead预测交通流量往往表现不佳。为此,我们开发了一个伽马发布出去是依靠时间序列(遗传算法TS)模型。首先,我们改变了原来的交通流量观测到非负实值数据通过使用Box-Cox转换。然后,通过指定伽马分布的广义线性模型,均值和方差的分布是由过去的退化数据和同期发生的条件,分别。贝叶斯信息准则用于选择合适的Box-Cox转换系数和最优模型结构。最后,该模型应用于城市交通流数据实现从中国大连的城市。结果表明,提出的遗传算法TS具有良好的预测性能和可以表示非平稳的随机属性。

1。介绍

作为发展的主要驱动力,交通对生产要素的流动具有重要的影响和日常生活的城市系统。智能交通系统(ITS)可以有效地提供创新服务与不同的运输方式和交通管理1,2),如交通规划(3),交通压力缓解4),和交通事故评价(5]。它使交通网络更明智,更协调、更高效的为不同的用户。它需要一个可靠的交通信息实时预测。因此,如何准确、及时的预测交通是一项具有挑战性的任务,获得了越来越多的关注。

交通流的复杂动力学和随机(6),使分析和预测主要依靠及时或历史交通数据。正如我们在后者,说明城市交通流数据与异构方差的非平稳随机过程。因此,时间序列模型是首选的交通流量的预测。另一方面,控制操作,如可变限速(:),总是嵌入到其(7]。这一事实表明,预测模型应该简洁的结构自然进行控制和操作设计。因此,我们的研究重点发展数据驱动的时间序列模型,可预测的不稳定分布的交通流量和简洁的结构随机控制设计的。

构建统计模型为负的交通流数据,我们首先研究概率分布是可行的用于描述交通流的不确定性。通过检测交通流的变化点在24小时内,我们将交通流分成四组,其分布相互分离。根据四组的特点,我们提出了伽马发布出去是依靠时间序列(遗传算法广义线性模型(TS)模型的动机的8]。

我们最初的观察及其Box-Cox转换(9,10)作为响应变量,可以视为随机变量产生的伽马发布出去是依靠随机过程。此外,我们从历史同期发生的术语提取观测作为解释变量。

我们使用贝叶斯信息准则(BIC)选择最优模型结构。通过这些方式,该模型不仅可以预测的数学期望,也从过去的观测非平稳的方差。此外,使用优秀的同期发生的术语使我们的模型在multistep-ahead预测精度。最后,真正的收集的数据来自中国大连的城市是用于验证的性能遗传算法TS。实际数据的计算结果表明,同期发生的词有助于增强multistep-ahead预测性能。与此同时,遗传算法TS的线性结构。因此,遗传算法TS是高效和方便进一步控制设计的。

本文的其余部分组织如下:在部分2,我们回顾研究短期交通流预测。节3,我们现在遗传算法TS方法生成交通流数据作为预测的构建块。节4,我们将讨论实验结果。最后,结束语部分中描述5。

2。文献综述

在过去的几十年里,大量的数学模型已经开发利用统计和机器学习的方法对交通流的预测。递减类型模型,包括自回归模型和支持向量回归(SVR),已被作为参数的方法。非线性模型,人工神经网络(ANN)模型,也被应用于交通流的预测。除了参数方法,非参数模型,包括 - - - - - -最近的邻居(资讯)模型,构造。

家庭的回归类型的参数模型,自回归综合移动平均(ARIMA)模型被广泛用于预测交通流量(11- - - - - -17]。此外,研究了ARIMA的扩展交通流量的预测。提出了时空自回归综合移动平均模型实现的内部关系的链接(18]。Stathopoulos和Karlaftis19)设计了一个模型来预测交通堵塞的基础上多元时间序列的状态空间模型。与此同时,SVR也可以用于交通预测(20.- - - - - -23]。这些回归模型的预测主要集中在交通流的趋势(数学期望)和忽略了统计数据的分散(方差)。

ANN模型是一种最常用的人工智能方法的非线性模型。大部分的研究者提出了安申请交通预测问题使用不同架构的ANN模型或治疗的ANN模型作为基准比较各种分类方法(7,24- - - - - -28]。最近观察到的,该领域的许多研究人员提出了集成安不同预处理方法像模糊方法来改善其性能29日- - - - - -32]。王等人。33)提出设计一个交通流预测模型通过整合模糊安使用田口方法。这项工作采用田口方法来解决传感器沿着路边的计数。他们证明了通过探测器收集到的信息所带来的好处。在类似,奎克et al。34)提出利用fuzzy-based安短期交通流量的估计问题。报告的结果表明,该模型的性能是有前途相比backpropagation-based训练前馈(FF)安。安和深度学习网络交通流预测问题上取得了优秀的性能(35- - - - - -37]。然而,他们是相对难以进一步发展交通控制的复杂的结构设计。

有效地模拟交通流方差可以产生更精确的置信区间对短期交通流预测,从而提高预测的可靠性。因为广义自回归条件异方差(GARCH)模型可以用来描述时变波动结构的时间序列数据,它被Kamarianakis et al。38)的预测速度的条件方差与均值方程的ARIMA模型。同样,GARCH用于依赖方差预测15分钟卷基于季节性ARIMA模型(39,40]。此外,Tsekeris和Stathopoulos使用略微综合力量不对称GARCH模型与均值方程的自回归略微集成移动平均流量波动预测模型,发现组合模型优于ARIMA-GARCH模型(41]。由于交通流量系列的随机特性,另一个波动模型,随机波动模型,提出了由Tsekeris和Stathopoulos [42城市交通的变化预测。评价结果表明,随机波动率模型可以产生更精确的预测方差比GARCH速度。

然而,非参数方法的家庭是一个重要的方法。然而,有能力预测抽样数据基于一个数字没有制定一个模型(43,44]。然而,这种情况几乎没有先验知识可以获得最大的好处。保持它的简单性和更好的性能考虑,应用的流行算法增加交通领域的预测。Yu et al。45)提出了一个资讯multiple-time-step回归估计模型的预测。每分钟的参数测量回路探测器。侯et al。46)提出了一个模型来确定短期交通流基于资讯。算法的主要限制是它需要巨大的计算资源大量的历史数据。该算法还存在一个限制档案数据的离群值的敏感性。

除了上面提到的作品,卡尔曼滤波方法(47,48内核回归[],先进的技术49,50],混合物的多元高斯过程(51)也用于交通流量的预测。

3所示。方法

3.1。数据描述和转换

这项研究集中在城市交通流数据。在研究收集的数据在Donglian路,这是一个重要的商业中心中国大连市。微波雷达的车辆检测器是用来记录交通流每15分钟从1月5日,2016年,今日凌晨1月15日,2016年,在00:00,总共包括960个样本(图1)。如图1的数据是明显的周期性,这表明过去几天的同期中的信息可以有助于预测。这一事实促使我们提高multistep-ahead预测利用同期发生的术语。

图2总结了相应的采样点的箱线图的10天。相对应的盒子在每个采样点的范围显示交通流量小的方差在夜间和白天大。因此,时变方差的交通数据,即。异方差性。此外,我们把数据分成四段通过周期性的时间序列的变化点检测方法(52]。图3说明了四段的直方图。数据3(一)-3(c)表明,积极的随机变量的分布、对数正态分布分布和伽马分布,可以使用。然而,图3(d)是收集的数据的直方图从午夜到清晨,一个正确的尾巴,不能用对数正态分布的密度函数分布近似。因此,我们使用伽马分布构建时间序列模型。

此外,我们使用Box-Cox变换找到一个合适的正实值时间序列数据如下:

我们使用BIC选择适当的 。

3.2。模型结构

因为改变了我们假设,非负实值吗服从伽马分布。让 表示的概率密度函数和分别是位置和尺度参数。因此,的条件概率密度可以制定如下: 与γ函数。

时变的意味着随机过程生成是不稳定的。预测这类非平稳的历史数据的基础上,和退化如下: 在哪里说明向量由吗与和每个变量的最大时间滞后 。 意味着(3)用于 - - - - - -阶梯顶预测。称为同期发生的术语,意思是观测的时间吗在过去的五天到天包含 。然后,数据集 ,可以制定以下可能性: 在哪里 最初的联合分布和吗 是未知参数的集合。注意,最初的联合分布不是函数 。参数设置可以通过解决以下估计最大似然估计的问题:

3.3。评估标准预测性能

全面测试模型的预测性能,一些评估标准计算。我们使用的平均绝对误差(MAE) [53)和均方根误差(RMSE) [54向预测误差的规模:

因为不能使用上述两个标准来评估模型跨越数据集,确定系数计算的观察和估计价值用作以下:

在这里,样本均值的吗 。从(7),我们就可以知道不考虑时变方差。因此,它不是正确的评估遗传算法TS模型时变变异。为了解决这个问题,我们使用的调整系数的决心(55)如下: 与 加权平均数。请注意, 如果规模参数估计是常数。

适当的模型结构确定的时间滞后对预测是至关重要的。请注意,这两个和单调增加模型的复杂性。因此,他们不能用于模型结构的选择。相反, 是用来评估遗传算法TS,意味着估计参数的数量。我们计算BIC评估不同的模型。最优在Box-Cox变换如图4和模型结构与最低BIC选中。为了公平,所有各种变化的评估是由使用原始数据。也就是说,我们认为Box-Cox变换的逆变换(1)对转换后的数据的预测,和所有的评估标准计算通过使用原始数据。

4所示。实验

4.1。模型结构设置

表1显示了一个——four-step-ahead ( 分钟 分钟)三种模型预测结果。( 自回归定义的变量与同期发生的术语 ,在哪里定常规模变量吗 , 和规模的时变参数 ,和应用于同期发生的术语 。为来 ,适当的的供BIC Box-Cox转换选择。图4显示了BIC值候选人。是正常发布出去是依靠模型。是遗传算法TS通过使用原始数据没有Cox-Box转换。是对数正态分布发布出去是依靠时间序列模型)。第二到第五列是由BIC每个变量选择的最大滞后。在这里,×意味着变量是不必要的估计;0意味着选择的变量不是BIC。从训练数据计算,然后呢来自测试数据。

4.2。预期的预测

之间的区别价值观和值是最小的,这意味着所有的模型估计没有过度拟合或underfitting。大胆的数字每个评价标准是最好的值。他们表明,的规模时变参数和同期发生的条件是——four-step-ahead预测的最优模型。与此同时,值显示最好的预测性能。在的年代,选择回归结构比那些更简单 。这类似于在工作成果(55]。同期发生的条件代表的周期性而不是 ,的平均交通流量的同时包含预测的一天前连续5天时间吗 。因此,同期发生的条件没有选择回归BIC,我们预期。

我们也构造正态分布,遗传算法TS没有Cox-Box变换和对数正态分布发布出去是依靠模型,用的年代, ,和在表1。通过比较的年代 ,我们发现根据最小的最优模型BIC值。这表明,遗传算法TS是比另一个更优的发布出去是依靠的人。

4.3。区间估计

数据5和6说明范围估计结果一天1月14日,2016年,95%可信区间(CI)得到的预测和随着 。在图5收集的,绿色的田野是四个的表1,黄色区域是通过相应的正常发布出去是依靠模型。图5(一个)显示遗传算法TS有类似的CI预测性能,与正常发布出去是依靠模型相比,领先一步预测。然而,数据5(b) -5(d)表示遗传算法TS-based模型是更窄的范围比正常发布出去是依靠multistep-ahead预测模型。此外,正常发布出去是依靠模型甚至multistep-ahead预测得到的负面下界CI,当交通流值小。这是矛盾的事实positive-valued交通流。

在图6四,绿地也收集的表1,黄色区域是通过相应的对数正态分布模型发布出去是依靠相同结构的四个的年代。从数据5(一)-5(d),我们可以看到,这两个指数变换的两个模型比直接使用正态分布从一个更稳定的四步。因此,对数正态分布分布的方差比白天伽马分布广泛,与实际交通流状态。这将影响评估和预测交通状态的自己。此外,CI获得的遗传算法TS可以近似在图所示的异方差性2。因此,遗传算法TS可以实现更合理的置信区间预测。

5。结论

本研究主要集中在城市交通流量的预测问题。通过指定的漠视与伽马分布,我们提出遗传算法TS预测交通流的非平稳的随机过程。的目的遗传算法TS是预测的概率分布实时交通流量。为此,伽马分布呈现nonnegative-valued交通流的随机属性数据和one-side-tailed直方图的午夜。全球语言监测机构结构支持交通流的异方差性。同期发生的项改善multistep-ahead预测的准确性的数学期望。

本研究中的交通流数据收集来自大连,这是一个大港口在中国北方,以及中国游客的一个主要目的地(56]。聚合大量不同类型的人群不仅带来交通和环境问题,也使得国家的使用地区的城市公共空间变得复杂和矛盾的57]。因为它是改善交通基础设施相对困难,我们专注于开发智能软件控制和管理,以减轻交通堵塞。它需要更精确的历史信息和未来预测的道路网络2]。此外,控制和规范交通流模型和精确的精度应该简单的结构。因此,我们提出了遗传算法TS比研究关注更适当的安和深度学习的模型。此外,一系列的遗传算法TS可以扩展到模型的联合分布的共同预测多个传感器。

几个研究课题可以进一步考虑。我们成功地指定全球语言监测机构使用伽马分布的城市区。然而,其他区域的概率分布,像高速公路一样,应该进一步总结。潜在的外部因素,交通流的关系,可以由它,应该调查嵌入遗传算法TS的基础上遗传算法TS与外部因素控制的成本函数和正则化的交通流应该建造,应该开发和相应的优化求解。

数据可用性

的数据支持本研究的结果可从其数据库的交警部门在中国大连市。但限制适用于这些数据的可用性,这是下使用许可在当前的研究中,所以没有公开。然而数据可以从作者在合理的请求和交警部门的许可。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究是由中国国家自然科学基金(批准号。U1560102, 61633006,, 61502074)。

引用

1. d·帕夫”,特征选择和提取的时空交通预测:一个系统的文献回顾,“欧洲交通研究回顾,11卷,不。1,2019。视图:出版商的网站|谷歌学术搜索
2. z h . Li Li r .白色,吴x,“实时交通预测系统”,应用智能,39卷,不。4、793 - 804年,2013页。视图:出版商的网站|谷歌学术搜索
3. w·马和z钱”,对复发性交通流的方差统计交通分配,”交通研究部分C:新兴技术卷,81年,页57 - 82,2017。视图:出版商的网站|谷歌学术搜索
4. s . Sarkar拉,美国Ahmad et al .,“从交通流动态有效的城市结构推断。”IEEE交易大数据,3卷,不。2、181 - 193年,2017页。视图:出版商的网站|谷歌学术搜索
5. p . Greibe”为城市道路事故预测模型,事故分析和预防,35卷,不。2、273 - 285年,2003页。视图:出版商的网站|谷歌学术搜索
6. d . s . g . Wang x, x g . Ma和x星,“分析城市交通需求分布和交通流之间的关系,基于探测器数据和POIs的建筑环境,”欧洲交通研究回顾,10卷,不。2、2018。视图:出版商的网站|谷歌学术搜索
7. z h .汗和t·A·格列佛”交通流协调的宏观交通模型。”欧洲交通研究回顾,10卷,不。2、2018。视图:出版商的网站|谷歌学术搜索
8. j . a . Nelder和r·w·Wedderburn“广义线性模型,”英国皇家统计学会杂志》上。系列(通用),卷135,不。3,p。370年,1972年。视图:出版商的网站|谷歌学术搜索
9. g . e . p .盒子和d·r·考克斯”的转换,分析”皇家统计学会杂志》:系列B(方法论),26卷,不。2、211 - 252年,1964页。视图:谷歌学术搜索
10. r . m . Sakia“Box-Cox转换技术:一个评论,”统计学家第41卷。。2、169 - 178年,1992页。视图:出版商的网站|谷歌学术搜索
11. 美国申请和h . Al-Deek短期流量时间序列预测模型的性能评价交通运输工程学报,卷128,不。6,490 - 498年,2002页。视图:出版商的网站|谷歌学术搜索
12. b·m·威廉姆斯,p . k . Durvasula, d . e .布朗,“城市高速公路交通流预测:应用季节性自回归综合移动平均法和指数平滑法模型”交通研究记录,卷1644,不。1,第141 - 132页,1998。视图:出版商的网站|谷歌学术搜索
13. b·m·威廉姆斯和洛杉矶Hoel”,作为一个季节性ARIMA建模和预测交通流过程:理论基础和实证结果,“交通运输工程学报,卷129,不。6,664 - 672年,2003页。视图:出版商的网站|谷歌学术搜索
14. 美国诉Kumar和l . Vanajakshi”短期交通流预测使用季节性ARIMA模型和有限的输入数据,”欧洲交通研究回顾,7卷,不。3,2015。视图:出版商的网站|谷歌学术搜索
15. j·h·张x Wang曹,m .唐郭y,“多元短期交通流预测方法基于小波分析和季节性时间序列”应用智能,48卷,不。10日,3827 - 3838年,2018页。视图:出版商的网站|谷歌学术搜索
16. 张x罗、l .妞妞和美国,“交通流预测算法基础上改进的SARIMA和GA,”KSCE土木工程杂志》上,22卷,不。10日,4107 - 4115年,2018页。视图:出版商的网站|谷歌学术搜索
17. j·h·张x Wang曹,m .唐郭y,“混合短期交通流预测模型基于时间序列多重分形特征,“应用智能,48卷,不。8,2429 - 2440年,2018页。视图:出版商的网站|谷歌学术搜索
18. w . Min和l . Wynter“实时道路交通预测和时空相关性,”交通研究部分C:新兴技术,19卷,不。4、606 - 616年,2011页。视图:出版商的网站|谷歌学术搜索
19. A . Stathopoulos和m . g . Karlaftis”,多变量状态空间方法对城市交通流建模和预测,“交通研究部分C:新兴技术,11卷,不。2、121 - 135年,2003页。视图:出版商的网站|谷歌学术搜索
20. m . Castro-Neto y s桢,m . k .宋”Online-SVR短期交通流预测典型和非典型流量条件下,“专家系统与应用程序,36卷,不。3、6164 - 6173年,2009页。视图:出版商的网站|谷歌学术搜索
21. w . c .香港“交通流预测季节性SVR与混沌模拟退火算法”Neurocomputing,卷74,不。12 - 13,2096 - 2107年,2011页。视图:出版商的网站|谷歌学术搜索
22. w . c . m . w . Li香港,h . g .康”城市交通流预测用Gauss-SVR猫映射,云模型和PSO混合算法,”Neurocomputing卷,99年,第240 - 230页,2013年。视图:出版商的网站|谷歌学术搜索
23. y s .宋y . j . Byon m . m . Castro-Neto和s . m . Easa”监督weighting-online学习算法对短期交通流预测,“IEEE智能交通系统,14卷,不。4、1700 - 1707年,2013页。视图:出版商的网站|谷歌学术搜索
24. g . Zhang, b . e . Patuwo和m . y .胡”与人工神经网络预测:艺术的状态,”国际期刊的预测,14卷,不。1、35 - 62年,1998页。视图:出版商的网站|谷歌学术搜索
25. j·麦肯齐,j·f·罗迪克,r .鸡头”评估htm和lstm短期干线交通流预测,“IEEE智能交通系统,20卷,不。5,1847 - 1857年,2019页。视图:出版商的网站|谷歌学术搜索
26. g·g·张,张c和w·d·张“进化回声状态网络长期时间序列预测:在混沌的边缘,“应用智能,50卷,不。3、893 - 904年,2020页。视图:出版商的网站|谷歌学术搜索
27. m . s .多尔蒂和m·r·科贝特”短期inter-urban交通使用神经网络预测,”国际期刊的预测,13卷,不。1,21-31,1997页。视图:出版商的网站|谷歌学术搜索
28. j·j·j·w . Wang Chen Wang Chen j . Liu和z锣,“互信协作过滤推荐个性化的利益,”IEEE工业信息,16卷,不。9日,第6132 - 6124页,2020年。视图:出版商的网站|谷歌学术搜索
29. 韩周t . g . x, c .汉黄y和j .秦“学习型multimodel集成框架对于动态交通流预测,“神经处理信件卷,49号1,第430 - 407页,2019。视图:出版商的网站|谷歌学术搜索
30. g .沈x, x陈,“短期交通流智能混合预测模型及其应用,”控制工程和应用信息学杂志》上,13卷,不。3、65 - 73年,2011页。视图:谷歌学术搜索
31. j . z朱、曹j . x和y朱,“交通量预测基于径向基函数神经网络的考虑相邻路口的交通流量,”交通研究部分C:新兴技术47卷,第154 - 139页,2014年。视图:出版商的网站|谷歌学术搜索
32. a . Stathopoulos l . Dimitriou, t . Tsekeris”模糊建模方法结合城市交通流的预测,”计算机辅助土木与基础设施工程,23卷,不。7,521 - 535年,2008页。视图:出版商的网站|谷歌学术搜索
33. l . h . x x Wang徐,k . x陈“数据驱动的短期预测城市道路网络流量数据处理和LSTM-RNN基础上,“阿拉伯科学与工程》杂志上,44卷,不。4、3043 - 3060年,2019页。视图:谷歌学术搜索
34. c·奎克m . Pasquier,比比美国Lim”POP-TRAFFIC:一种新型模糊神经道路交通分析和预测方法,”IEEE智能交通系统,7卷,不。2、133 - 146年,2006页。视图:出版商的网站|谷歌学术搜索
35. j .高,y l . Murphey h·朱,“多元时间序列预测巷使用深层神经网络改变人们的行为,“应用智能,48卷,不。10日,3523 - 3537年,2018页。视图:出版商的网站|谷歌学术搜索
36. g . Yu和j .刘”混合预测方法对公路隧道交通spatial-temporary数据融合的基础上,“应用智能卷,49号4、1421 - 1436年,2019页。视图:出版商的网站|谷歌学术搜索
37. x, z, y . Wang h . Yu和y王,“长短期记忆神经网络交通速度预测使用远程微波传感器数据,”交通研究部分C:新兴技术54卷,第197 - 187页,2015年。视图:出版商的网站|谷歌学术搜索
38. y Kamarianakis, a .喀纳斯,p . Prastacos”建模流量波动动力学在城市网络”,交通研究记录:《交通研究委员会,卷1923,不。1,18-27,2005页。视图:出版商的网站|谷歌学术搜索
39. j . h .郭w·黄和b·m·威廉姆斯,“自适应卡尔曼滤波方法对随机短期交通流量预测和量化不确定性,”交通研究部分C:新兴技术,43卷,不。1、50 - 64年,2014页。视图:出版商的网站|谷歌学术搜索
40. 郭黄w·w·w·贾,j . et al .,“实时预测季节性异方差性在车辆交通流系列中,“IEEE智能交通系统,19卷,不。10日,3170 - 3180年,2018页。视图:出版商的网站|谷歌学术搜索
41. 胡j . c . Chen,孟问:“与ARIMA-GARCH短时交通流预测模型,2011年IEEE智能车辆研讨会(IV)巴登巴登,页607 - 612年,德国,2011年6月。视图:谷歌学术搜索
42. t . Tsekeris和a . Stathopoulos”短期预测城市交通的变化:随机波动性建模方法,”交通运输工程学报,卷136,不。7,606 - 613年,2010页。视图:出版商的网站|谷歌学术搜索
43. h·h·谢、x h·戴和y气,“改进的K最近邻算法对短期交通流预测,“交通运输工程学报(英文版),14卷,不。3、87 - 94年,2014页。视图:谷歌学术搜索
44. 郑z d·苏,“短期交通量预测:_k_最近的邻居的方法增强了约束线性缝纫组件算法原理,“交通研究部分C:新兴技术,43卷,不。是的,143 - 157年,2014页。视图:出版商的网站|谷歌学术搜索
45. b . Yu, x的歌,关,z,和b .姚明,“再multiple-time-step模型预测短期交通状况,“交通运输工程学报,卷142,不。6,04016018页,2016年。视图:出版商的网站|谷歌学术搜索
46. x, y,和美国,“短期交通流预测基于两层再算法,”Procedia——社会和行为科学卷,96年,第2536 - 2529页,2013年。视图:出版商的网站|谷歌学术搜索
47. w .他,c中,m . a . Sotelo x, x, z .李,“短期船舶交通流预测通过使用一种改进的卡尔曼滤波模型,”集群计算,22卷,不。S4, 7907 - 7916年,2019页。视图:出版商的网站|谷歌学术搜索
48. a . Emami m . Sarvi, s . a . Bagloee”使用卡尔曼滤波算法对短期交通流预测在连接车辆环境中,“《现代交通,27卷,不。3、222 - 232年,2019页。视图:出版商的网站|谷歌学术搜索
49. d . Ngoduy“内核平滑方法适用于交通流的动态校准模型,”计算机辅助土木与基础设施工程,26卷,不。6,420 - 432年,2011页。视图:出版商的网站|谷歌学术搜索
50. 黄r和s .太阳”与稀疏度规学习内核回归”,智能模糊系统杂志》上,24卷,不。4、775 - 787年,2013页。视图:出版商的网站|谷歌学术搜索
51. 美国太阳,“无限的混合物的多元高斯过程,”2013年国际会议上机器学习和控制论天津,页1011 - 1016年,中国,2013年7月。视图:谷歌学术搜索
52. 问:问:r·隆德x l . Wang, j·里夫斯,c·加拉格尔和y,“Changepoint检测周期和autocorrelated时间系列。”杂志的气候,20卷,不。20日,第5190 - 5178页,2007年。视图:出版商的网站|谷歌学术搜索
53. c·j·威尔默特和k .松”优势的平均绝对误差(MAE)的均方根误差(RMSE)在评估平均模型的性能,”气候研究,30卷,不。1,第82 - 79页,2005。视图:出版商的网站|谷歌学术搜索
54. r . j . Hyndman和a·b·克勒”另一个看看预测精度的措施,”国际期刊的预测,22卷,不。4、679 - 688年,2006页。视图:出版商的网站|谷歌学术搜索
55. p .秦和r . Nishii Dst指数的统计预测太阳风数据和t分布美元,”IEEE等离子体科学,43卷,不。11日,第3915 - 3908页,2015年。视图:出版商的网站|谷歌学术搜索
56. 李郭和h .“对外贸易和外商直接投资对大连的影响升级的工业结构为分析基于1990 - 2010年的经验数据,”兰州商学院杂志》上,5卷,p。2012。视图:谷歌学术搜索
57. n和s . c .赵“城市道路交通阻抗函数——大连城市案例研究中,“高速公路和交通研究期刊》的研究和开发(英语版),8卷,不。3、90 - 95年,2014页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020王Benchao et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。