Optimization of traffic forecasting: Intelligent surrogate modeling

مدلسازان حمل و نقل با چندین چالش بهینه سازی در زمینه انتخاب مدل و بهینه سازی پارامترهای پیش بینی مواجه می شوند. مفهوم مدل سازی جایگزین به منظور مقابله با برخی از محدودیت های مرتبط با عمل توسعه الگوریتم های پیش بینی کوتاه مدت مورد بحث قرار گرفته است. یک تکنیک مدل سازی اتوماتیک ارائه شده است که از اطلاعات ناهمگونی از انواع مختلف مدل های آماری و محاسباتی هوشمند همراه با استراتژی تکامل چند هدفه ای برای بهینه سازی مدل و انتخاب پارامتر استفاده می کند. تعدادی از مدل های مختلف از خانواده ماشین های پشتیبانی بردار، توابع پایه شعاعی و شبکه های عصبی به طور مشترک در نظر گرفته شده و بهینه سازی شده با هدف بهبود پیش بینی سرعت کوتاه مدت از سرعت سفر است. نتایج ارائه شده و مورد بحث در هر دو چارچوب یکسان و چند متغیره است.