面向交通时间序列预测的核岭回归高效在线超参数优化及其应用
机器学习
2018-11-05 v1 机器学习
摘要
计算效率是在线环境下部署机器学习模型进行时间序列预测的重要考量。机器学习算法基于数据自动调整模型参数，但常要求用户设定额外的参数，即超参数。超参数会显著影响预测精度。交通测量通常由传感器在线采集，具有序列相关性。此外，数据分布可能逐渐变化。一种典型的自适应策略是周期性重新调整模型超参数，但这带来了计算负担。在本工作中，我们提出了一种高效且原则性的在线超参数优化算法，用于应用于交通预测问题的核岭回归。在真实交通测量数据的测试中，我们的方法所需计算时间仅为其他调参方法的七分之一，同时取得了更好或相近的预测精度。
引用
@article{arxiv.1811.00620,
title = {Efficient Online Hyperparameter Optimization for Kernel Ridge Regression with Applications to Traffic Time Series Prediction},
author = {Hongyuan Zhan and Gabriel Gomes and Xiaoye S. Li and Kamesh Madduri and Kesheng Wu},
journal= {arXiv preprint arXiv:1811.00620},
year = {2018}
}
备注
An extended version of "Efficient Online Hyperparameter Learning for Traffic Flow Prediction" published in The 21st IEEE International Conference on Intelligent Transportation Systems (ITSC 2018)