基于生物地理优化与支持向量回归的高速公路行程时间预测与特征选择
信号处理
2020-07-31 v1
摘要
由于出行者依据行程时间做出选择，其先验信息有助于他们做出更明智的出行决策。为实现这一目标，文献中已提出行程时间预测模型，但重要预测变量的识别未受到足够重视。识别重要预测变量可降低输入数据的维度，不仅减轻计算负担，还能更好地理解重要预测变量与行程时间之间的潜在关系。此外，仅采集重要预测变量可显著节省数据采集设备成本。因此，本研究提出一种混合方法用于特征选择（识别重要预测变量），并构建稳健的高速公路行程时间预测模型。我们开发了集成生物地理优化（BBO）与支持向量回归（SVR）的框架，并在台湾国道一号一段长36.1 km的路段上通过预测行程时间进行验证。所提出的混合方法仅用六个预测变量即可建立预测模型，其精度与采用全部四十三个预测变量构建的独立SVR预测模型相当。
引用
@article{arxiv.2007.15212,
title = {Biogeography-Based Optimization and Support Vector Regression for Freeway Travel Time Prediction and Feature Selection},
author = {Prateek Bansal},
journal= {arXiv preprint arXiv:2007.15212},
year = {2020}
}