Skip to main content
main-content

Tipp

Weitere Artikel dieser Ausgabe durch Wischen aufrufen

17.12.2018 | Focus | Ausgabe 8/2020

Soft Computing 8/2020

Improving traffic flow forecasting with relevance vector machine and a randomized controlled statistical testing

Zeitschrift:
Soft Computing > Ausgabe 8/2020
Autoren:
Jungang Lou, Zhangguo Shen, Qing Shen, Wenjun Hu, Zhijun Chen
Wichtige Hinweise
Communicated by B. B. Gupta.

Publisher's Note

Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Abstract

High-accuracy traffic flow forecasting is vital to the development of intelligent city transportation systems. Recently, traffic flow forecasting models based on the kernel method have been widely applied due to their great generalization capability. The aim of this article is twofold: A novel kernel learning method, relevance vector machine, is employed to short-term traffic flow forecasting so as to capture the inner correlation between sequential traffic flow data, it is a type of nonlinear model which is accurate and using only a small number of relevant basis functions automatically selected. So that it can find concise data representations which are adequate for the learning task retaining as much information as possible. On the other hand, the sample size for learning has a significant impact on forecasting accuracy. How to balancing the relationship between the sample size and the forecasting accuracy is an important research topic. A randomized controlled statistical testing is layout to evaluating the impacts of sample size of the new proposed traffic flow forecasting model. The experimental results show that the new model achieves similar or better forecasting and generalization performance compared to some old ones; besides, it is less sensitive to the size of learning sample.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Sie möchten Zugang zu diesem Inhalt erhalten? Dann informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 69.000 Bücher
  • über 500 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 58.000 Bücher
  • über 300 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 50.000 Bücher
  • über 380 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Maschinenbau + Werkstoffe




Testen Sie jetzt 30 Tage kostenlos.

Literatur
Über diesen Artikel

Weitere Artikel der Ausgabe 8/2020

Soft Computing 8/2020 Zur Ausgabe

Premium Partner

    Bildnachweise