基于支持向量回归的行程时间预测算法
类间空白最大化为目的，在特征空间中构造一个分类超平面。给定一组训练向量数据xi|Rd，i=1，2…，h，其中h表示训练样本的个数。yi=±1表示类标签，即一类用+1表示，另一类用-1表示。SVM将寻找一个超平面法方向w和截距b，使得正实例满足f（x）=wΦ（x）+b⩾0，负实例满足f（x）=wΦ（x）+b图1是一个支持向量机的例子，假定圈和点分别代表不同的两类数据，在图1（a）所示的输入空间中，找不到一个线性函数可以将两类数据分割，若将数据映射到如1图（b）所示的更高维度的特征空间，则可以找到一个线性函数将两类数据分割开。分割超平面的选择力图最大化类间空白，而类间空白的最大化大大地降低了测试阶段的误判风险。3 实验支持向量回归方法需要设定参数，在下面的实验中，我们采用RBF核宽度σ=0.1，ε=0.02，C=800。3.1 数据介绍我们用前5个星期（2013年8月5日至9月8日）的数据作为训练集，第6个星期的数据（2013年9月9日至9月15日）作为测试集。采用两段杭州市的高架道路作为测试道路（道路1：
<<上一页 下一页>>
广州市越秀区图书馆版权所有。
联系电话：020-87673002
本站访问人数：