基于CNN-SVR混合深度学习模型的短时交通流预测

被引：76

作者：

罗文慧

董宝田

王泽胜

机构：

[1] 北京交通大学交通运输学院

来源：

交通运输系统工程与信息 | 2017年 / 17卷 / 05期

关键词：

智能交通; 交通流预测; 卷积神经网络; 交通流; 支持向量回归; 深度学习;

D O I：

10.16097/j.cnki.1009-6744.2017.05.010

中图分类号：

U491.14 [];

学科分类号：

082302 ; 082303 ;

摘要：

精准且快速的短时交通流预测是智能交通发展的重要组成部分.本文针对当前交通流预测模型不能充分提取交通流数据的时空特征、预测性能容易受到外界干扰因素影响的问题,提出一种基于深度学习的短时交通流预测模型,该模型结合卷积神经网络(Convolutional Neural Network,CNN)与支持向量回归分类器(Support Vector Regression,SVR)的特点:在网络底层应用CNN进行交通流特征提取,并将提取结果输入到SVR回归模型中进行流量预测.为验证模型的有效性,取G103国道的实际交通流量数据进行试验.结果表明,提出的预测模型与传统的预测模型相比具有更高的预测精度,预测性能提高了11%,是一种有效的交通流预测模型.

引用

页码：68 / 74

页数：7

共 5 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]

支持向量回归机算法理论研究与应用[D]. 曾绍华.重庆大学. 2006

[3]

Short-term speed predictions exploiting big data on large urban road networks[J] . Gaetano Fusco,Chiara Colombaroni,Natalia Isaenko.Transportation Research Part C . 2016

[4]

Traffic speed prediction using deep learning method .2 JIA Y,WU J,DU Y. 2016 IEEE 19th International Conference on Intelligent Transportation Systems (ITSC) . 2016

[5]

Optimized structure of the traffic flow forecasting model with a deep learning approach .2 YANG H F,DILLON T S,CHEN Y P. IEEE Transactions on Neural Networks&Learning Systems .

← 1 →