基于多条件随机场的短时交通流预测模型

被引：5

作者：

邓箴

任静

刘立波

机构：

[1] 宁夏大学信息工程学院

来源：

计算机工程与设计 | 2017年 / 38卷 / 10期

关键词：

短时交通流; 多条件随机场模型; 势函数; 特征提取; 预测模型;

D O I：

10.16208/j.issn1000-7024.2017.10.052

中图分类号：

U491.14 [];

学科分类号：

摘要：

为有效解决传统的短时交通流预测方法较为单一,特征没有得到良好体现的问题,提出一种基于多条件随机场的短时交通流量预测模型,用4类特征函数建立多个CRF特征子集反映交通数据的多累特征,依据改进的势函数体现短时交通数据流的前后相关性,经训练拟合得到MCRF模型。利用智能交通信号系统和高清道路监控系统的数据,验证了拟合后的MCRF模型比其它模型具有更高的可行性和有效性。

引用

页码：2887 / 2891

页数：5

共 10 条

[1] 基于多条件随机场模型的异常行为检测 [J].

叶璐 ;

郭立 ;

刘皓 .

通信技术, 2014, 47 (06) :612-617

[2]

城市道路交通拥堵机理及控制方法研究[D]. 黄艳国.华南理工大学 2015

[3]

城市道路交通流量短时预测研究[D]. 范腾腾.北京交通大学 2012

[4]

Apparent ultra-high-value diffusion-weighted image reconstruction via hidden conditional random fields. SHAFIEE M J,HAIDER S A,WONG A,et al. IEEE Transactions on Medical Imaging . 2015

[5]

A Support Vector Conditional Ran-dom Fields Classifier With a Mahalanobis Distance Boundary Constraint for High Spatial Resolution Remote Sensing Imagery. Zhong Yanfei,Lin Xuemei,Zhang Liangpei. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing . 2014

[6] 基于支持向量机回归的短时交通流预测模型 [J].

傅贵 ;

韩国强 ;

逯峰 ;

许子鑫 .

华南理工大学学报(自然科学版), 2013, 41 (09) :71-76

[7]

Hidden-unit conditional random fields. Van Der Maaten, Laurens,Welling, Max,Saul, Lawrence K. Journal of Machine Learning Research;Proceedings of the 14th International Conference on Artificial Intelligence and Statistics, AISTATS 2011 . 2011

[8]

A Multi-Scale Conditional Random Field Model for Human Action Recognition. ZHANG E,ZHAO Y. International Congress on Image and Signal Processing . 2012

[9] 基于SVM与自适应时空数据融合的短时交通流量预测模型 [J].

李巧茹 ;

赵蓉 ;

陈亮 .

北京工业大学学报, 2015, 41 (04) :597-602

[10] 基于SVM和CRF多特征组合的微博情感分析 [J].

李婷婷 ;

姬东鸿 .

计算机应用研究, 2015, 32 (04) :978-981

← 1 →