您的位置:山东大学 -> 科技期刊社 -> 《山东大学学报(工学版)》

山东大学学报 (工学版) ›› 2013, Vol. 43 ›› Issue (1): 9-14.doi: 10.6040/j.issn.1672-3961.3.2012.047

• 机器学习与数据挖掘 • 上一篇    下一篇

广义回归神经网络的改进及在交通预测中的应用

伊良忠1,章超2*,裴峥3   

  1. 1. 四川警察学院计算机科学与技术系, 四川 泸州 646000;
    2. 四川警察学院道路交通管理系, 四川 泸州 646000;3. 西华大学数学与计算机学院, 四川 成都 610039
  • 收稿日期:2012-12-05 出版日期:2013-02-20 发布日期:2012-12-05
  • 通讯作者: 章超(1986- ),男,湖北仙桃人,助教,硕士,主要研究方向为智能信息处理研究. E-mail: galoiszhang@163.com
  • 作者简介:伊良忠(1963),男,四川广元人,教授,博士,主要研究方向为应用数学与智能信息处理研究. E-mail: yiliangzhong@x263.net
  • 基金资助:

    国家自然科学基金资助项目(61175055, 61105059); 四川省科技支撑计划资助项目(2012GZ0019,2011FZ051)

A modified general regression neural network with its application in traffic prediction

YI Liang-zhong1, ZHANG Chao2*, PEI Zheng3   

  1. 1. Department of Computer Science and Technology, Sichuan Police College, Luzhou 646000, China;
    2. Department of Road Traffic Management, Sichuan Police College, Luzhou 646000, China;
    3. School of Mathematic & Computer Engineering, Xihua University, Chengdu 610039, China
  • Received:2012-12-05 Online:2013-02-20 Published:2012-12-05

摘要:

本研究基于k近邻的方法通过网络性能评价指标来对平滑因子进行选择确定。通过k近邻法找出使得网络性能评价最好的平滑因子,不再仅依赖于一个均方误差数值,而根据均方误差组的排序来选择最优的平滑因子。该算法能够在保持较好的预测效果的前提下解决因数据波动性大而最终得不到最优平滑因子的难题。通过预测交通数据的实验验证了算法的有效性。结果表明通过k近邻方法得到的最优平滑因子会使网络预测误差降至最小。

关键词: 广义回归神经网络, k近邻法, 平滑因子

Abstract:

Based on the method of k nearest neighbors algorithm, the optimum smoothing parameter was found by means of network performance evaluation. The approach depended not only on the value of mean square error, but also could sort the mean square error without affecting the forcasting performance. The optimum smoothing parameter was difficult to be found because of the volatility of the data solved by the modified algorithm. Finally, a traffic forcasting experiment was provided to analyze the effectiveness of the proposed algorithm. The results revealed that the optimum smoothing parameter found by means of k nearest neighbors could obtain the minimum prediction error.

Key words: the general regression neural network, k nearest neighbors, the smoothing parameter

中图分类号: 

  • TP301
[1] 宋佳芮,陈艳平,王凯,黄瑞章,秦永彬. 基于Affix-Attention的命名实体识别语义补充方法[J]. 山东大学学报 (工学版), 2023, 53(2): 70-76.
[2] 杨巨成,韩书杰,毛磊,代翔子,陈亚瑞. 胶囊网络模型综述[J]. 山东大学学报 (工学版), 2019, 49(6): 1-10.
[3] 方波,陈红梅. 一种新的双策略进化果蝇优化算法[J]. 山东大学学报 (工学版), 2019, 49(3): 22-31.
[4] 梁泽华,崔耀东,张雨. 有顺序依赖损耗的一维下料问题[J]. 山东大学学报(工学版), 2018, 48(3): 75-80.
[5] 吴红岩,冀俊忠. 基于花授粉算法的蛋白质网络功能模块检测方法[J]. 山东大学学报(工学版), 2018, 48(1): 21-30.
[6] 周志杰,赵福均,胡昌华,王力,冯志超,刘涛源. 基于证据推理的航天继电器故障预测方法[J]. 山东大学学报(工学版), 2017, 47(5): 22-29.
[7] 裴小兵,陈慧芬,张百栈,陈孟辉. 改善式BVEDA求解多目标调度问题[J]. 山东大学学报(工学版), 2017, 47(4): 25-30.
[8] 任永峰,董学育. 基于自适应流形相似性的图像显著性区域提取算法[J]. 山东大学学报(工学版), 2017, 47(3): 56-62.
[9] 翟继友,周静波,任永峰,王志坚. 基于背景和前景交互传播的图像显著性检测[J]. 山东大学学报(工学版), 2017, 47(2): 80-85.
[10] 邬慧敏,吴璟莉. 重建二倍体个体单体型的改进环基算法[J]. 山东大学学报(工学版), 2016, 46(4): 9-14.
[11] 朱杰,王晶,刘菲,高冠东,段庆. 基于成分金字塔匹配的对象分类方法[J]. 山东大学学报(工学版), 2016, 46(2): 14-21.
[12] 景运革,李天瑞. 基于知识粒度的增量约简算法[J]. 山东大学学报(工学版), 2016, 46(1): 1-9.
[13] 王立宏,李强. 旅行商问题的一种选择性集成求解方法[J]. 山东大学学报(工学版), 2016, 46(1): 42-48.
[14] 任永峰, 周静波. 基于信息弥散机制的图像显著性区域提取算法[J]. 山东大学学报(工学版), 2015, 45(6): 1-6.
[15] 高艳普, 王向东, 王冬青. 多变量受控自回归滑动平均系统的极大似然辨识方法[J]. 山东大学学报(工学版), 2015, 45(2): 49-55.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
[1] 程代展,李志强. 非线性系统线性化综述(英文)[J]. 山东大学学报(工学版), 2009, 39(2): 26 -36 .
[2] 王勇, 谢玉东.

大流量管道煤气的控制技术研究

[J]. 山东大学学报(工学版), 2009, 39(2): 70 -74 .
[3] 卜德云 张道强. 自适应谱聚类算法研究[J]. 山东大学学报(工学版), 2009, 39(5): 22 -26 .
[4] 庞志俭 张长桥. 甲基丙烯酸十二酯基二元共聚制备缔合减阻剂的合成与性能研究[J]. 山东大学学报(工学版), 2009, 39(5): 128 -132 .
[5] 李善评,胡振,孙一鸣,甄博如,张启磊,曹翰林 . 新型钛基PbO2电极的制备及电催化性能研究[J]. 山东大学学报(工学版), 2007, 37(3): 109 -113 .
[6] 罗运虎, 吴旭文,潘双来,董尔令,孙秀娟,王传江,吴娜 . 需求侧两种可中断负荷与发电侧备用容量的协调[J]. 山东大学学报(工学版), 2007, 37(6): 66 -70 .
[7] 翟新献 陈东海 郭念波 勾攀峰. 济三煤矿沿空巷道矿压显现规律研究[J]. 山东大学学报(工学版), 2009, 39(4): 92 -96 .
[8] 刘佃瑞,赵辉宏,钟麦英 . 一类线性离散时变系统的H∞故障估计[J]. 山东大学学报(工学版), 2008, 38(4): 11 -16 .
[9] 乔小燕. 赤潮藻显微图像自动识别方法[J]. 山东大学学报(工学版), 2016, 46(3): 1 -6 .
[10] 吕国仁,闫书明,白书锋,贾 宁,马 亮 . 高速公路新型波形梁护栏端头实车碰撞性能研究[J]. 山东大学学报(工学版), 2008, 38(4): 47 -52 .