Print

基于维度加权的残差LSTM短期交通流量预测

论文摘要

基于神经网络的交通流量预测由于嵌入了部分手工设计的特征,使得提取的网络特征功能单一,存在适应性及鲁棒性差、数据局部特征刻画不准确等问题。为此,提出基于残差长短期记忆网络(LSTM)的交通流量预测方法,利用集成学习思想将空间分布的数据端到端训练到残差LSTM网络中,同时在每个LSTM单元后引入维度加权单元,显式建模特征维度之间的相互依赖关系。实验结果表明,该方法能实现短期交通流量数据的自适应建模分析。

论文目录

  • 0 概述
  • 1 短期交通流量预测方法
  •   1.1 网络结构
  •   1.2 预测过程
  • 2 实验结果与分析
  •   2.1 数据集
  •   2.2 实验评价指标
  •   2.3 结果分析
  •     2.3.1 短期交通流量预测及精度分析
  •     2.3.2 超参数选择及精度分析
  • 3 结束语

    • 文章来源

    类型: 期刊论文

    作者: 李月龙,唐德华,姜桂圆,肖志涛,耿磊,张芳,吴骏

    关键词: 智能交通,短期交通流量预测,残差连接,长短期记忆网络,维度加权

    来源: 计算机工程 2019年06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: 天津工业大学计算机科学与技术学院,天津市光电检测技术与系统重点实验室,南洋理工大学计算机科学与工程学院,天津工业大学电子与信息工程学院

    基金: 国家自然科学基金(61771340,61302127,61601325),天津市自然科学基金(18JCYBJC15300)

    分类号: TP183;U491.1

    DOI: 10.19678/j.issn.1000-3428.0052120

    页码: 1-5

    总页数: 5

    文件大小: 376K

    下载量: 277

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/6eeb5a914041107783204a4b.html