發(fā)布時(shí)間：2018-11-27 12:52

【摘要】：精準(zhǔn)且快速的短時(shí)交通流預(yù)測(cè)是智能交通發(fā)展的重要組成部分.本文針對(duì)當(dāng)前交通流預(yù)測(cè)模型不能充分提取交通流數(shù)據(jù)的時(shí)空特征、預(yù)測(cè)性能容易受到外界干擾因素影響的問(wèn)題,提出一種基于深度學(xué)習(xí)的短時(shí)交通流預(yù)測(cè)模型,該模型結(jié)合卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)與支持向量回歸分類(lèi)器(Support Vector Regression,SVR)的特點(diǎn):在網(wǎng)絡(luò)底層應(yīng)用CNN進(jìn)行交通流特征提取,并將提取結(jié)果輸入到SVR回歸模型中進(jìn)行流量預(yù)測(cè).為驗(yàn)證模型的有效性,取G103國(guó)道的實(shí)際交通流量數(shù)據(jù)進(jìn)行試驗(yàn).結(jié)果表明,提出的預(yù)測(cè)模型與傳統(tǒng)的預(yù)測(cè)模型相比具有更高的預(yù)測(cè)精度,預(yù)測(cè)性能提高了11%,是一種有效的交通流預(yù)測(cè)模型.
[Abstract]:Accurate and fast short-time traffic flow prediction is an important part of intelligent transportation development. Aiming at the problem that the current traffic flow forecasting model can not fully extract the space-time characteristics of traffic flow data and the prediction performance is easily affected by external interference factors, a short-term traffic flow prediction model based on depth learning is proposed in this paper. This model combines the characteristics of convolutional neural network (Convolutional Neural Network,CNN) and support vector regression classifier (Support Vector Regression,SVR). It uses CNN to extract traffic flow features at the bottom of the network. The extracted results are input into the SVR regression model for traffic prediction. In order to verify the validity of the model, the actual traffic flow data of G103 national highway were used to test. The results show that the proposed prediction model has higher prediction accuracy than the traditional prediction model, and the prediction performance is improved by 11%. It is an effective traffic flow forecasting model.
【作者單位】： 北京交通大學(xué)交通運(yùn)輸學(xué)院;
【分類(lèi)號(hào)】：U491.14

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 王正武,黃中祥;短時(shí)交通流預(yù)測(cè)模型的分析與評(píng)價(jià)[J];系統(tǒng)工程;2003年06期

2 偶昌寶,俞亞南;短時(shí)交通流預(yù)測(cè)的多層遞階方法[J];城市道橋與防洪;2004年05期

3 高麗梅;高鵬;陳俊波;;數(shù)據(jù)融合技術(shù)在短時(shí)交通流預(yù)測(cè)中的應(yīng)用[J];交通科技;2010年S1期

4 唐世星;;改進(jìn)的支持向量機(jī)算法在短時(shí)交通流預(yù)測(cè)中的應(yīng)用[J];承德石油高等專(zhuān)科學(xué)校學(xué)報(bào);2012年01期

5 王嬌;李軍;;最小最大概率回歸機(jī)在短時(shí)交通流預(yù)測(cè)中的應(yīng)用[J];公路交通科技;2014年02期

6 賀國(guó)光,李宇,馬壽峰;基于數(shù)學(xué)模型的短時(shí)交通流預(yù)測(cè)方法探討[J];系統(tǒng)工程理論與實(shí)踐;2000年12期

7 宗春光,宋靖雁,任江濤,胡堅(jiān)明;基于相空間重構(gòu)的短時(shí)交通流預(yù)測(cè)研究[J];公路交通科技;2003年04期

8 楊世堅(jiān),賀國(guó)光;基于模糊C均值聚類(lèi)和神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)方法[J];系統(tǒng)工程;2004年08期

9 王進(jìn);史其信;;短時(shí)交通流預(yù)測(cè)模型綜述[J];中國(guó)公共安全(學(xué)術(shù)卷);2005年01期

10 楊芳明;朱順應(yīng);;基于小波的短時(shí)交通流預(yù)測(cè)[J];重慶交通學(xué)院學(xué)報(bào);2006年03期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前3條

1 鄭德署;何世偉;許旺土;;分形理論在短時(shí)交通流預(yù)測(cè)中的應(yīng)用[A];2008第四屆中國(guó)智能交通年會(huì)論文集[C];2008年

2 唐麗娜;張衛(wèi)華;;短時(shí)交通流預(yù)測(cè)方法的比較研究[A];2007第三屆中國(guó)智能交通年會(huì)論文集[C];2007年

3 于建玲;商朋見(jiàn);關(guān)積珍;;改進(jìn)的相空間重構(gòu)方法在短時(shí)交通流預(yù)測(cè)中的應(yīng)用[A];2008第四屆中國(guó)智能交通年會(huì)論文集[C];2008年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 姚智勝;基于實(shí)時(shí)數(shù)據(jù)的道路網(wǎng)短時(shí)交通流預(yù)測(cè)理論與方法研究[D];北京交通大學(xué);2007年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 高為;基于數(shù)據(jù)挖掘和數(shù)據(jù)融合的短時(shí)交通流預(yù)測(cè)研究[D];重慶交通大學(xué);2011年

2 齊霖;基于支持向量機(jī)回歸的短時(shí)交通流預(yù)測(cè)與系統(tǒng)實(shí)現(xiàn)[D];東北大學(xué);2013年

3 邱世崇;基于時(shí)空特性的城市道路短時(shí)交通流預(yù)測(cè)研究[D];重慶交通大學(xué);2015年

4 沈小峰;交通流量短時(shí)預(yù)測(cè)的算法研究[D];浙江工業(yè)大學(xué);2015年

5 江小燕;短時(shí)交通流預(yù)測(cè)方法研究[D];揚(yáng)州大學(xué);2015年

6 楊慧慧;城市交通流短時(shí)預(yù)測(cè)模型研究[D];河南理工大學(xué);2015年

7 王鵬;基于嵌入式系統(tǒng)的城市智能交通控制器研究[D];遼寧科技大學(xué);2016年

8 羅婷;模擬退火混沌粒子群算法在短時(shí)交通流預(yù)測(cè)中的應(yīng)用[D];西南交通大學(xué);2016年

9 黃曉慧;基于布谷鳥(niǎo)算法的小波神經(jīng)網(wǎng)絡(luò)短時(shí)交通流預(yù)測(cè)研究[D];西南交通大學(xué);2016年

10 褚鵬宇;融合時(shí)空信息的短時(shí)交通流預(yù)測(cè)[D];西南交通大學(xué);2016年

，

本文編號(hào)：2360848