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