基于深度学习的短时交通流量预测

被引：47

作者：

乔松林

孙仁诚

刘吉

机构：

[1] 青岛大学计算机科学技术学院

来源：

青岛大学学报(自然科学版) | 2017年 / 30卷 / 04期

关键词：

深度学习; 短时交通流预测; LSTM; 特征; SVR;

D O I：

暂无

中图分类号：

U491.14 [];

学科分类号：

摘要：

针对交通流数据的时间相关性和非线性等特点,现有预测方法未能充分获取交通流的本质特征,提出了一种基于深度学习的短时交通流量预测方法。该方法结合长短时记忆神经网络(LSTM)和支持向量机回归(SVR)作为预测模型,利用长短时记忆神经网络模型进行获取特征,用获取的特征训练支持向量回归进行交通流量的预测,比较了与其它模型的预测效果,真实数据集的结果表明,该模型有较高的预测精度。

引用

页码：65 / 69

页数：5

共 10 条

[1]

基于支持向量机回归的短时交通流预测模型 [J].

傅贵 ;

韩国强 ;

逯峰 ;

许子鑫 .

华南理工大学学报(自然科学版), 2013, 41 (09) :71-76

[2]

基于最小二乘支持向量机的交通流量预测模型 [J].

赵亚萍 ;

张和生 ;

周卓楠北京交通大学电气工程学院 ;

杨军 ;

潘成 ;

贾利民 .

北京交通大学学报, 2011, (02) :114-117+136

[3]

基于混合AGO-SVM的高速公路短时交通量预测研究 [J].

张通 ;

张骏 ;

杨霄 .

交通运输系统工程与信息, 2011, 11 (01) :157-162

[4]

基于Kalman滤波的城市环路交通流短时预测研究 [J].

王均 ;

关伟 .

交通与计算机, 2006, (05) :16-19

[5]

基于ARIMA模型的短时交通流实时自适应预测 [J].

韩超 ;

宋苏 ;

王成红 .

系统仿真学报, 2004, (07) :1530-1532+1535

[6]

Long short-term memory neural network for traffic speed prediction using remote microwave sensor data.[J].Xiaolei Ma;Zhimin Tao;Yinhai Wang;Haiyang Yu;Yunpeng Wang.Transportation Research Part C.2015,

[7]

Adaptive Kalman filter approach for stochastic short-term traffic flow rate prediction and uncertainty quantification.[J].Jianhua Guo;Wei Huang;Billy M. Williams.Transportation Research Part C.2014,

[8]

Online-SVR for short-term traffic flow prediction under typical and atypical traffic conditions.[J].Manoel Castro-Neto;Young-Seon Jeong;Myong-Kee Jeong;Lee D. Han.Expert Systems With Applications.2008, 3

[9]

Long short-term memory [J].

Hochreiter, S ;

Schmidhuber, J .

NEURAL COMPUTATION, 1997, 9 (08) :1735-1780

[10]

SHORT-TERM PREDICTION OF TRAFFIC VOLUME IN URBAN ARTERIALS [J].

HAMED, MM ;

ALMASAEID, HR ;

SAID, ZMB .

JOURNAL OF TRANSPORTATION ENGINEERING-ASCE, 1995, 121 (03) :249-254

← 1 →