今天開始陸續更新之前文章的閱讀筆記，有一些文章是輔助實驗簡單讀的，有一些文章是精讀的。這里也不做分類了，只是每次在開頭提一下相關信息。

文章鏈接：戳我
主要工作：描述了歷史
平均值、時間序列、神經網絡和非參數回歸四個模型對高速公路交通流量的預測問題。

在運營環境中預測交通量的能力已被確定為智能交通系統（ITS）的一個關鍵需求。這項研究工作的重點是為弗吉尼亞州北部的首都環形公路上的兩個地點開發交通量預測模型。
弗吉尼亞州北部的首都環形公路上的兩個地點開發交通量預測模型。針對高速公路交通流量預測問題，開發并測試了四個模型。

問題描述：已知當前時刻的流量，以及前一個預測期的交易量（這里選擇15分鐘為一個預測期）。此外，假設過去的條件數據庫可以用來計算歷史平均量。那么問題就可以被下圖描述。

HA：利用過去交通量的平均值來預測將來的交通量。依賴交通流量的周期性，對于動態變化不能做出反應，比如事故，或者啟動，急剎車這一類的。
HA的工作方式：在時間t，V(t+D)被估計為V(hist)(t+D)

Time series:自回歸綜合移動平均模型ARIMA：試圖建立一個數學模型來解釋之前的事。它依賴不間斷的數據。

Back propagation neural network：反向傳播是神經網絡當前傳播范圍極廣的范式。

反向傳播網絡在輸入層接受輸入，講將加權后的輸入值在隱藏層求和，對總和進行加權，最后傳遞給輸出層。輸入和輸出之間的映射是通過網絡結構分布的。這種模型表示允許靈活性，但是變量之間的關系難以確定。反向傳播神經網絡可以有效的表達復雜的非線性關系，但是有可能對網絡進行過度訓練，從而導致不是對關系的概括。

非參數回歸：非參數回歸被認為是一類動態的聚類模型

非參數回歸的近鄰計算例子：
考慮一個雙變量的估計，函數表示為f(x)=y，其中y的估計值需要對xA=4和xB=9進行估計。
一個包含13個先前觀察到的x，y對的數據庫，下圖就是數據庫。假設領域大小k=3，領域A和B被識別出來，通過平均領域內的案例的Y值來計算出Y的估計值。

這個工作的算法被編碼為自動鄰居定義和預測生成過程。它可以通過簡單地鏈接到一個站點的歷史數據庫來應用到場地，只需要與場地的歷史數據庫連接。
以上四種模型的優缺點可以表一描述。

總結

以上是生活随笔為你收集整理的Traffic Flow Forecasting: Comparison of Modeling Approaches文献阅读笔记（一）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。