Print

基于时空特征挖掘的交通流量预测方法

论文摘要

基于神经网络和大数据的交通流量预测方法层出不穷,但对交通流量预测的精度仍有待进一步提高。为了解决该问题,提出一种基于时空特征挖掘的交通流量预测方法。该方法使用改进的CNN来挖掘交通流量的空间特征,使用递归神经网络来挖掘交通流量的时间特征,能够充分利用交通流量的每周/每天的周期性和时空特征。此外,在该方法中还使用了一种基于相关性的模型,它可以根据过去的交通流量实现自动学习。实验结果表明,相比于其他几种较新的预测方法,所提方法具有较高的交通流量预测精度。

论文目录

  • 1 基于混合神经网络的交通流量预测方法
  •   1.1 相关性模型
  •   1.2 空间特征的挖掘
  •     1.2.1 CNN的改进
  •     1.2.2 利用改进的CNN进行空间特征的挖掘
  •   1.3 时间特征的挖掘
  •   1.4 周期性特征
  • 2 实验结果及分析
  •   2.1 实验设置
  •   2.2 所提方法的拟合能力分析
  •   2.3 交通流量预测精度的比较及分析

    • 文章来源

    类型: 期刊论文

    作者: 孔繁钰,周愉峰,陈纲

    关键词: 深度神经网络,改进卷积神经网络,交通流量预测,时空特征,大数据,自动学习

    来源: 计算机科学 2019年07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,计算机软件及计算机应用,自动化技术

    单位: 重庆工商大学重庆市发展信息管理工程技术研究中心,南京航空航天大学管理科学与工程博士后流动站,重庆大学建筑城规学院

    基金: 国家自然科学基金(71702015),中国博士后科学基金(2017M611810),重庆市社科规划重大应用项目(2017ZDYY51),重庆市发展信息管理工程技术研究中心开放基金项目(gczxkf201706),重庆工商大学科研平台开放课题(KFJJ2018078)资助

    分类号: TP183;TP311.13;U491.1

    页码: 322-326

    总页数: 5

    文件大小: 707K

    下载量: 458

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/fa79e1f8525db78ac0c50db8.html