大连理工大学学报
大連理工大學學報
대련리공대학학보
JOURNAL OF DALIAN UNIVERSITY OF TECHNOLOGY
2010年
6期
1035-1041
,共7页
杨际祥%谭国真%王凡%田珠%潘东
楊際祥%譚國真%王凡%田珠%潘東
양제상%담국진%왕범%전주%반동
并行计算%负载均衡%交通流预测%支持向量回归(SVR)%广义神经网络(GNN)
併行計算%負載均衡%交通流預測%支持嚮量迴歸(SVR)%廣義神經網絡(GNN)
병행계산%부재균형%교통류예측%지지향량회귀(SVR)%엄의신경망락(GNN)
提高交通流预测的精度和实时性是智能交通系统(ITS)应用发展的一个重要问题.与广义神经网络(GNN)方法相比,支持向量回归(SVR)方法应用于交通流预测理论优势得以实现的前提是选取合适的回归参数.分析、讨论了简单而实际的直接从训练集中选取SVR参数的方法,给出了一个大规模路网交通流SVR预测模型和集群环境下的一种贪婪负载均衡并行算法(G-LB).实验结果证明了基于G-LB算法的并行SVR方法(GLB-SVR)可获得比并行的GNN方法(P-GNN)更好的预测精度和实时性.
提高交通流預測的精度和實時性是智能交通繫統(ITS)應用髮展的一箇重要問題.與廣義神經網絡(GNN)方法相比,支持嚮量迴歸(SVR)方法應用于交通流預測理論優勢得以實現的前提是選取閤適的迴歸參數.分析、討論瞭簡單而實際的直接從訓練集中選取SVR參數的方法,給齣瞭一箇大規模路網交通流SVR預測模型和集群環境下的一種貪婪負載均衡併行算法(G-LB).實驗結果證明瞭基于G-LB算法的併行SVR方法(GLB-SVR)可穫得比併行的GNN方法(P-GNN)更好的預測精度和實時性.
제고교통류예측적정도화실시성시지능교통계통(ITS)응용발전적일개중요문제.여엄의신경망락(GNN)방법상비,지지향량회귀(SVR)방법응용우교통류예측이론우세득이실현적전제시선취합괄적회귀삼수.분석、토론료간단이실제적직접종훈련집중선취SVR삼수적방법,급출료일개대규모로망교통류SVR예측모형화집군배경하적일충탐람부재균형병행산법(G-LB).실험결과증명료기우G-LB산법적병행SVR방법(GLB-SVR)가획득비병행적GNN방법(P-GNN)경호적예측정도화실시성.
