Detail publikace
Towards Robust and Accurate Traffic Prediction Using Parallel Multiobjective Genetic Algorithms and Support Vector Regression
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{FITPUB10886, author = "Ji\v{r}\'{i} Petrl\'{i}k and Luk\'{a}\v{s} Sekanina", title = "Towards Robust and Accurate Traffic Prediction Using Parallel Multiobjective Genetic Algorithms and Support Vector Regression", pages = "2231--2236", booktitle = "2015 IEEE 18th International Conference on Intelligent Transportation Systems", year = 2015, location = "Los Alamitos, US", publisher = "IEEE Computer Society", ISBN = "978-1-4673-6596-3", doi = "10.1109/ITSC.2015.360", language = "english", url = "https://www.fit.vut.cz/research/publication/10886" }