摘要：针对预测准确性对数据相关性和网络结构极为敏感的问题,采用田口方法选择集成学习的结构参数,在保证学习多样性的同时,提高选择过程的效率,保证预测的准确性。实验仿真计算结果表明,在多个路段的交通流量数据集上,该方法皆取得了满意的预测效果,模型具有较好的鲁棒性。将仿真结果与其它算法进行比较,比较结果表明,相比传统ARIMA、MLP模型,其预测精度分别提高了4.51%、11.23%。

摘要：为进一步提高时间序列预测模型的预测精度和时间效率,提出一种基于极限学习机的层集成网络结构。以极限学习机网络作为基学习器,构成两层集成网络,每层网络在构建时利用先分类,再从类中选优的思想同时考虑基学习器的准确性与多样性,其中第一层用以优化参数,第二层实现预测。对比实验结果表明,与基于多层感知器的层集成网络相比,该模型在提高预测准确度的同时将学习用时缩短了1-2个数量级。