Multiobjective Selection of Input Sensors for SVR Applied to Road Traffic Prediction

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26230%2F14%3APU111964" target="_blank" >RIV/00216305:26230/14:PU111964 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-319-10762-2_79" target="_blank" >http://dx.doi.org/10.1007/978-3-319-10762-2_79</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-10762-2_79" target="_blank" >10.1007/978-3-319-10762-2_79</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Multiobjective Selection of Input Sensors for SVR Applied to Road Traffic Prediction

Popis výsledku v původním jazyce

Modern traffic sensors can measure various road traffic variables such as the traffic flow and average speed. However, some measurements can lead to incorrect data which cannot  further be used in subsequent processing tasks such as traffic prediction or intelligent control. In this paper, we propose a method selecting a subset of input sensors for a support vector regression (SVR) model which is used for traffic prediction. The method is based on a multimodal and multiobjective NSGA-II algorithm. The multiobjective approach allowed us to find a good trade off between the prediction error and the number of sensors in real-world situations when many traffic data measurements are unavailable.

Název v anglickém jazyce

Multiobjective Selection of Input Sensors for SVR Applied to Road Traffic Prediction

Popis výsledku anglicky

Modern traffic sensors can measure various road traffic variables such as the traffic flow and average speed. However, some measurements can lead to incorrect data which cannot  further be used in subsequent processing tasks such as traffic prediction or intelligent control. In this paper, we propose a method selecting a subset of input sensors for a support vector regression (SVR) model which is used for traffic prediction. The method is based on a multimodal and multiobjective NSGA-II algorithm. The multiobjective approach allowed us to find a good trade off between the prediction error and the number of sensors in real-world situations when many traffic data measurements are unavailable.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2014

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Parallel Problem Solving from Nature - PPSN XIII

ISBN

978-3-319-10761-5

ISSN

—

e-ISSN

—

Počet stran výsledku

10

Strana od-do

802-811

Název nakladatele

Springer Verlag

Místo vydání

Heidelberg

Místo konání akce

Ljubljana Exhibition and Convention Centre

Datum konání akce

13. 9. 2014

Typ akce podle státní příslušnosti

CST - Celostátní akce

Kód UT WoS článku

000358196900079