基于深度学习的短时交通流预测

被引：71

作者：

罗向龙

焦琴琴

牛力瑶

孙壮文

机构：

[1] 长安大学信息工程学院

来源：

计算机应用研究 | 2017年 / 34卷 / 01期

关键词：

交通流预测; 深度学习; 短时交通流; 支持向量回归;

D O I：

暂无

中图分类号：

U491.14 []; TP181 [自动推理、机器学习];

学科分类号：

摘要：

针对现有预测方法未能充分揭示交通流内部的本质规律,提出了一种基于深度学习的短时交通流预测方法。该方法结合深度信念网路模型(DBN)与支持向量回归分类器(SVR)作为预测模型,利用差分去除交通流数据的趋势向,用深度信念网络模型进行交通流特征学习,在网络顶层连接支持向量回归模型进行流量预测。实际交通流数据测试结果表明,提出的预测模型与传统预测模型相比具有更高的预测精度,预测性能提高了18.01%,是一种有效的交通流预测方法。

引用

页码：91 / 93+97 +97

页数：4

共 12 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(09)
[2] 基于组合预测模型的短时交通流预测[J].李颖宏,刘乐敏,王玉全. 交通运输系统工程与信息.2013(02)
[3] 基于混沌时间序列分析法的短时交通流预测研究[J].薛洁妮,史忠科. 交通运输系统工程与信息.2008(05)
[4] Improvedk-nnforShort-TermTrafficForecastingUsingTemporalandSpatialInformation[J].ShanhuaWu,ZhongzhenYang,XiaocongZhu,BinYu. JournalofTransportationEngineering.2014
[5] NewBayesiancombinationmethodforshort-termtrafficflowforecasting[J].JianWang,WeiDeng,YuntaoGuo. TransportationResearchPartC.2014
[6] TrainingrestrictedBoltzmannmachines:Anintroduction[J].AsjaFischer,ChristianIgel. PatternRecognition.2014(1)
[7] Ahybridshort-termtrafficflowforecastingmethodbasedonspectralanalysisandstatisticalvolatilitymodel[J].YanruZhang,YunlongZhang,AliHaghani. TransportationResearchPartC.2013
[8] ShortTermTrafficFlowPredictionforaNonUrbanHighwayUsingArtificialNeuralNetwork[J].KrantiKumar,M.Parida,V.K.Katiyar. Procedia-SocialandBehavioralSciences.2013
[9] TimeseriesforecastingusingadeepbeliefnetworkwithrestrictedBoltzmannmachines[J].TakashiKuremoto,ShinsukeKimura,KunikazuKobayashi,MasanaoObayashi. Neurocomputing.2013
[10] AFastLearningAlgorithmforDeepBeliefNets[J].GeoffreyE.Hinton,SimonOsindero,Yee-WhyeTeh. NeuralComputation.2006(7)

← 1 2 →