原文传递
基于深度学习的短时交通流预测研究
| 题名： | 基于深度学习的短时交通流预测研究 |
| 正文语种： | 中文 |
| 作者： | 王祥雪；许伦辉； |
| 关键词： | 交通工程；交通流预测；LSTM-RNN；时间序列；深度学习 |
| 摘要： | 针对交通流时间序列,在深度学习的理论框架下,构建基于LSTM-RNN的城市快速路短时交通流预测模型.根据交通流的时空相关性完成时间序列的重构,依靠模型训练对时空关联特性进行识别和强化,兼顾精度和时效性确定神经网络深度,完成短时交通流预测模型搭建.基于Tensor Flow的Keras完成LSTM-RNN的逐层构建和精细化调参,利用路网实测数据样本完成算法验证,实现模型本地保存并根据预测精度进行自适应更新.结果表明,本文所采用的预测算法精度高,受训练样本量的限制较小,实时性、扩展性和实用性均得到有效提高. |
| 期刊名称： | 交通运输系统工程与信息 |
| 出版年： | 2018 |
| 期： | 01 |
| 页码： | 81-88 |
检索历史
应用推荐
