Print

基于GRU递归神经网络的城市道路超车预测

论文摘要

城市道路中的超车行为尤其是违规超车等,对交通秩序与安全造成严重影响。随着电子警察与卡口等车牌识别系统的广泛应用,通过上下游车牌识别与时间对比,可以较为精确地获取车辆在路段之间的超车关系。基于电子警察处理的超车数据建立了基于GRU递归神经网络的城市道路超车率预测模型,预测城市道路超车率的变化趋势,并与循环神经网络（recurrent neural network,RNN）、反向传播（back propagation,BP）神经网络进行对比。在苏州工业园区星湖街-现代大道路段的测试结果表明,基于GRU递归网络的超车预测模型的绝对值误差为12.52%,相比于其他2种模型,精度高、泛化能力强、鲁棒性强。

论文目录

  • 1 深度学习
  •   1.1 基本概念
  •   1.2 超车系统与深度递归神经网络
  • 2 超车率预测
  •   2.1 数据来源
  •   2.2 超车数据采集
  •   2.3 数据预处理
  •   2.4 数据研究
  •   2.5 模型评价指标
  •   2.6 网络的训练过程
  • 3 实验结果与分析
  • 4 结语

    • 文章来源

    类型: 期刊论文

    作者: 王浩,黄美鑫,武志薪,鞠建敏

    关键词: 深度递归神经网络,神经网络,超车预测,交通安全

    来源: 中国科技论文 2019年03期

    年度: 2019

    分类: 工程科技Ⅱ辑,信息科技

    专业: 公路与水路运输,自动化技术

    单位: 上海应用技术大学计算机科学与信息工程学院

    分类号: TP183;U491

    页码: 285-290

    总页数: 6

    文件大小: 422K

    下载量: 230

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/f6671cd89f28e0e3ab679881.html