基于深度残差网络的短时交通流量预测

论文摘要

建立了一个深度残差网络模型用来进行短时交通流量预测。考虑到短时交通流量数据具有时空相关性,通过采用最小角回归拟合L1正则化损失函数的方法挖掘出了预测路口与上下游路口的时空相关性,并且构建了基于时空关联性的深度残差网络预测模型。采用了美国芝加哥i-55公路的交通数据集进行了模型验证,通过实验表明预测模型比传统的预测模型准确率提高近2%～4%,可以看出该模型一定程度上提高了预测精度。

论文目录

文章来源

类型: 期刊论文

作者: 佟健颉,黎英,王一旋

关键词: 短时交通流量预测,深度残差网络,时空关联性,深度学习

来源: 电子测量技术 2019年18期

年度: 2019

分类: 信息科技,工程科技Ⅱ辑

专业: 公路与水路运输,自动化技术

单位: 昆明理工大学信息工程与自动化学院

分类号: TP183;U491.1

DOI: 10.19651/j.cnki.emt.1902768

页码: 85-89

总页数: 5

文件大小: 208K

下载量: 116

相关论文文献

标签：短时交通流量预测论文;  深度残差网络论文;  时空关联性论文;  深度学习论文;