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

PDF (PC)

1489

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] 李善评,赵玉晓,乔鹏,冯正志 . 好氧颗粒污泥的培养及基质降解和污泥生长动力学分析[J]. 山东大学学报(工学版), 2008, 38(3): 95 -98 .
[2] 赵延风1,2, 王正中1,2 ,芦琴1,祝晗英3 . 梯形明渠水跃共轭水深的直接计算方法[J]. 山东大学学报(工学版), 2009, 39(2): 131 -136 .
[3] 薛成骞,董建文,孟宪锋,常虹,曹宁,陈华英,李木森 . C／C+HA骨植入材料对杂交波尔山羊生理生化机能的影响[J]. 山东大学学报(工学版), 2008, 38(3): 73 -76 .
[4] 张迎春 王佐勋 王桂娟. 基于神经网络控制器的高压电缆测温系统[J]. 山东大学学报(工学版), 2009, 39(5): 62 -67 .
[5] 孙宗耀,刘允刚 . 一类2维不确定非线性系统自适应输出反馈镇定[J]. 山东大学学报(工学版), 2007, 37(5): 34 -39 .
[6] 张庆松 李术才 韩宏伟 葛颜慧 刘人太 张霄. 岩溶隧道施工风险评价与突水灾害防治技术研究[J]. 山东大学学报(工学版), 2009, 39(3): 106 -110 .
[7] 茹淼焱,王明刚, , 鲁成学, 张洪林 . 淀粉酶催化反应的最适温度的微量量热法[J]. 山东大学学报(工学版), 2008, 38(1): 113 -115 .
[8] 张辉 王孟夏 韩学山. 电力系统的超前热定值及其应用探讨[J]. 山东大学学报(工学版), 2008, 38(6): 25 -29 .
[9] 张盾,侯精明,刘韩生,徐根海 . 渥奇面上掺气挑坎位置的试验与数值计算分析[J]. 山东大学学报(工学版), 2008, 38(2): 101 -105 .
[10] 张承慧,裴荣辉,石庆升,马永庆 . 城市变频调速给水泵站的优化配置[J]. 山东大学学报(工学版), 2007, 37(2): 97 -102 .
版权所有 © 2018 《山东大学学报(工学版)》编辑部　
地址: 济南市山大南路27号（250100）　 电话: 0531-88366735　 E-mail: xbgxb@sdu.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发