Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Towards Robust and Accurate Traffic Prediction Using Parallel Multiobjective Genetic Algorithms and Support Vector Regression

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26230%2F15%3APU117000" target="_blank" >RIV/00216305:26230/15:PU117000 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://www.fit.vut.cz/research/publication/10886/" target="_blank" >https://www.fit.vut.cz/research/publication/10886/</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1109/ITSC.2015.360" target="_blank" >10.1109/ITSC.2015.360</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Towards Robust and Accurate Traffic Prediction Using Parallel Multiobjective Genetic Algorithms and Support Vector Regression

  • Popis výsledku v původním jazyce

    The support vector regression (SVR) is a very successful method in solving many difficult tasks in the area of traffic prediction. However, the performance of SVR is very sensitive to the parameters setting and the selection of input variables such as sensors providing the input data. In this paper, we describe a new method, which simultaneously optimizes the meta-parameters of SVR model and the subset of its input variables. The method is based on a multiobjective genetic algorithm. The proposed implementation is intended for a parallel environment supporting OpenMP. We evaluated the method in the tasks of data imputation, short term prediction of traffic variables and travel times prediction using real world open data. It was confirmed that the simultaneous optimization of SVR parameters and input variables provides better quality of prediction than previous methods.

  • Název v anglickém jazyce

    Towards Robust and Accurate Traffic Prediction Using Parallel Multiobjective Genetic Algorithms and Support Vector Regression

  • Popis výsledku anglicky

    The support vector regression (SVR) is a very successful method in solving many difficult tasks in the area of traffic prediction. However, the performance of SVR is very sensitive to the parameters setting and the selection of input variables such as sensors providing the input data. In this paper, we describe a new method, which simultaneously optimizes the meta-parameters of SVR model and the subset of its input variables. The method is based on a multiobjective genetic algorithm. The proposed implementation is intended for a parallel environment supporting OpenMP. We evaluated the method in the tasks of data imputation, short term prediction of traffic variables and travel times prediction using real world open data. It was confirmed that the simultaneous optimization of SVR parameters and input variables provides better quality of prediction than previous methods.

Klasifikace

  • 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)

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/ED1.1.00%2F02.0070" target="_blank" >ED1.1.00/02.0070: Centrum excelence IT4Innovations</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2015

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    2015 IEEE 18th International Conference on Intelligent Transportation Systems

  • ISBN

    978-1-4673-6596-3

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    6

  • Strana od-do

    2231-2236

  • Název nakladatele

    IEEE Computer Society

  • Místo vydání

    Los Alamitos

  • Místo konání akce

    Las Palmas de Gran Canaria

  • Datum konání akce

    1. 5. 2015

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku

    000376668802050