Detail publikace
Towards Robust and Accurate Traffic Prediction Using Parallel Multiobjective Genetic Algorithms and Support Vector Regression
road traffic forecasting, travel times, support vector regression, multiobjective genetic algorithm
Support vector regression (SVR) je velice úspěšná metoda pro řešení mnoha úloh z oblasti dopravních predikcí. Kvalita predikce SVR je však velmi citlivá na nastavení parametrů a výběr vstupních proměnných, jako jsou například senzory měřící dopravní data. V tomto článku popisujeme novou metodu, která současně optimalizuje metaparametry SVR a podmnožinu jeho vstupních proměnných. Metoda je založena na multikriteriálním genetickém algoritmu. Byla vytvořena paralelní implementace metody v OpenMP. Funkčnost metody jsme ověřili na následujících úlohách: doplnění chybějících dat, predikce dopravních veličin v krátké budoucnosti a predikci dojezdových dob. Při ověření metody byla použita reálná data. Bylo prokázáno, že současná optimalizace metaparametrů SVR a jeho vstupních proměnných umožňuje dosáhnout lepší kvalitu predikce, než dříve navržené metody.
@inproceedings{BUT119857,
author="Jiří {Petrlík} and Lukáš {Sekanina}",
title="Towards Robust and Accurate Traffic Prediction Using Parallel Multiobjective Genetic Algorithms and Support Vector Regression",
booktitle="2015 IEEE 18th International Conference on Intelligent Transportation Systems",
year="2015",
pages="2231--2236",
publisher="IEEE Computer Society",
address="Los Alamitos",
doi="10.1109/ITSC.2015.360",
isbn="978-1-4673-6596-3",
url="https://www.fit.vut.cz/research/publication/10886/"
}