Resumen

La predicción en tiempo real y precisa del flujo de tráfico es clave para los sistemas de transporte inteligentes (ITS). Sin embargo, debido a la no estacionariedad de los datos de flujo de tráfico, la predicción puntual tradicional difícilmente puede ser precisa, por lo que los métodos de predicción probabilística son esenciales para la cuantificación de los posibles riesgos e incertidumbres en la gestión del tráfico. Se propone un modelo de predicción probabilística del flujo de tráfico basado en una máquina de aprendizaje extrema de múltiples núcleos (MKELM). Además, los pesos de salida óptimos de MKELM se obtienen utilizando el algoritmo de optimización de enjambre de partículas de comportamiento cuántico (QPSO). Para verificar su efectividad, se comparó la predicción probabilística del flujo de tráfico utilizando QPSO-MKELM con otros métodos de aprendizaje. Los resultados experimentales muestran que QPSO-MKELM es más efectivo para aplicaciones prácticas. Y ayudará a

• Materias:Calibración geométrica Núcleos computacionales Consultas de palabras clave Pronóstico probabilístico Máquina de aprendizaje
• Subjects:Geometric calibration Computational kernels Keyword queries Probabilistic forecasting Machine learning
• Palabras claves:Predicción; Flujo de tráfico; Pronóstico probabilístico; Máquina de aprendizaje extremo multikernel; Optimización de enjambre de partículas de comportamiento cuántico; Gestión del tráfico
• Keywords:Prediction; Traffic flow; Probabilistic forecasting; Multikernel extreme learning machine; Quantum-behaved particle swarm optimization; Traffic management