Optimisation de la machine à vecteurs de support minimum (MPA-LSSVM) basée sur l'algorithme des prédateurs marins pour obtenir une prédiction de données de séries chronologiques de flux de trafic
La prévision des données chronologiques sur les flux de trafic présente une valeur d’application importante dans la gestion et la planification du trafic. Afin d’améliorer la précision des prédictions, des méthodes d’apprentissage automatique peuvent être utilisées pour créer des modèles de prédiction. Cet article présentera comment utiliser l'algorithme Marine Predators (MPA) pour optimiser la machine à vecteurs de support des moindres carrés (LSSVM) afin de prédire les données de séries chronologiques de flux de trafic et fournir le code MATLAB correspondant.
-
Préparation des données
Tout d'abord, nous devons préparer les données de séries chronologiques de flux de trafic sous forme d'ensemble de formation et d'ensemble de test. Les données doivent contenir des observations historiques du flux de trafic avec les horodatages correspondants. Assurez l’exactitude et l’exhaustivité des données et effectuez le prétraitement nécessaire, comme la suppression des valeurs aberrantes et des données manquantes. -
Modèle LSSVM
LSSVM est un algorithme d'apprentissage automatique très efficace utilisé pour les problèmes de classification et de régression. Il s'agit d'une forme étendue de Support Vector Machine (SVM). Dans LSSVM, nous déterminons le meilleur hyperplan en minimisant la fonction objectif pour l'adapter aux données.
Voici un exemple de code MATLAB pour le modèle LSSVM :
% 加载数据
load('traffic_data.mat');