基于稀疏高斯过程混合模型的短时交通流预测

交通流预测在智能交通系统中起重要作用.由于短时交通流的时变性,传统预测模型效果较差.将稀疏高斯过程混合(SGPM)模型用于短时交通流预测,并研究了隐变量后验硬划分学习算法,该算法依据最大后验估计矫正样本划分,不断迭代实现最优分组.将SGPM模型与核回归(K-R)、最小最大概率机回归(MPMR)、线性回归(L-R)以及高斯过程(GP)的预测结果对比.同时将新的学习算法与传统variational和LooCV学习算法比较.结果 表明,基于新算法的SGPM模型不仅能够分模态展示预测结果、输出置信区间,且短时交通流预测均方误差可达0.047 6,训练耗时达7.121 4 s,均优于其他模型.      

快速PGPD去噪算法研究

PGPD信号去噪算法具有良好的去噪效果,但是算法运算量大,去噪时间偏长,为此提出一种快速PGPD去噪算法。该算法在搜索信号非局部相似块过程中,利用信号的非局部相似性适当调整搜索窗的大小,并对搜索块进行采样筛检,有效缩小非局部相似块的搜索范围,再通过欧氏距离计算快速确定距离目标局部块最近的非局部相似块,从而节省了计算量。数字图像去噪及地震信号去噪实验结果表明,与传统PGPD算法相比,该算法在信号轻微损失的情况下,可以大幅提高去噪速度。