基于稀疏高斯过程混合模型的短时交通流预测

交通流预测在智能交通系统中起重要作用。由于短时交通流的时变性,传统预测模型效果较差。将稀疏高斯过程混合(SGPM)模型用于短时交通流预测,并研究了隐变量后验硬划分学习算法,该算法依据最大后验估计矫正样本划分,不断迭代实现最优分组。将SGPM模型与核回归(K-R)、最小最大概率机回归(MPMR)、线性回归(L-R)以及高斯过程(GP)的预测结果对比。同时将新的学习算法与传统variational和LooCV学习算法比较。结果表明,基于新算法的SGPM模型不仅能够分模态展示预测结果、输出置信区间,且短时交通流预测均方误差可达0.047 6,训练耗时达7.121 4 s,均优于其他模型。