论文部分内容阅读
现有的交通预测方法很少利用交通传感器之间的共性来做预测,很少有研究会为不同的交通情况建立不同的模型,影响了预测的精度。为此,提出一种基于多任务学习的交通预测框架（MTL-SA）。对于所有的交通传感器数据,采用基于非负矩阵分解的聚类来区分不同的交通情况;对于每种特定的交通情况,基于组lasso和l2范数惩罚的多任务学习来建模交通预测问题;采用能保证收敛率的FISTA算法进行问题求解。基于大量实际交通传感器数据的实验结果表明,所提MTL-SA框架始终比每个传感器单独应用MTL的预测结果要好。在不同交通情况下,所提方法在短期预测和长期预测中的性能比其它典型的交通预测方法分别高出18%和30%。