基于深度學(xué)習(xí)的短時交通流預(yù)測_羅向龍.pdf

《基于深度學(xué)習(xí)的短時交通流預(yù)測_羅向龍.pdf》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。

1、第34卷第1期計算機應(yīng)用研究Vol.34No.12017年1月ApplicationＲesearchofComputersJan．2017*基于深度學(xué)習(xí)的短時交通流預(yù)測羅向龍，焦琴琴，牛力瑤，孫壯文(長安大學(xué)信息工程學(xué)院，西安710064)摘要:針對現(xiàn)有預(yù)測方法未能充分揭示交通流內(nèi)部的本質(zhì)規(guī)律，提出了一種基于深度學(xué)習(xí)的短時交通流預(yù)測方法。該方法結(jié)合深度信念網(wǎng)路模型(DBN)與支持向量回歸分類器(SVＲ)作為預(yù)測模型，利用差分去除交通流數(shù)據(jù)的趨勢向，用深度信念網(wǎng)絡(luò)模型進(jìn)行交通流特征學(xué)習(xí)，在網(wǎng)絡(luò)頂層連接支持

2、向量回歸模型進(jìn)行流量預(yù)測。實際交通流數(shù)據(jù)測試結(jié)果表明，提出的預(yù)測模型與傳統(tǒng)預(yù)測模型相比具有更高的預(yù)測精度，預(yù)測性能提高了18．01%，是一種有效的交通流預(yù)測方法。關(guān)鍵詞:交通流預(yù)測;深度學(xué)習(xí);短時交通流;支持向量回歸中圖分類號:TP181文獻(xiàn)標(biāo)志碼:A文章編號:1001-3695(2017)01-0091-03doi:10．3969/j．issn．1001-3695．2017．01．018Short-termtrafficflowpredictionbasedondeeplearningLuoXiang

3、long，JiaoQinqin，NiuLiyao，SunZhuangwen(SchoolofInformationEngineering，Chang’anUniversity，Xi’an710064，China)Abstract:Inviewoftheexistingpredictionmethodsfailtofullyrevealthenatureofthetrafficflow，thispaperproposedashort-termtrafficflowpredictionmodelbasedon

4、deeplearning．Themethodcombinedthedeepbeliefnetwork(DBN)modelandsupportvectorregression(SVＲ)classifieraspredictivemodel．Itremovedthetrendofthetrafficflowbyusingdatadiffe-rence，extractedtrafficflowfeaturesbydeepbeliefnetworkmodel，carriedandthetrafficflowpre

5、dictionoutwithsupportvectorregressioninthetoplevelofthenetwork．Experimentresultswithactualtrafficflowdatashowthattheproposedmethodhasahigheraccuracycomparedwithothers，predictionperformanceincreasesby18．01%，anditisaneffectivetrafficflowpredictionmethod．Key

6、words:trafficflowprediction;deeplearning;short-termtrafficflow;supportvectorregression了歷史流量之間的相關(guān)性，將三種不同預(yù)測模型相結(jié)合來進(jìn)行0引言［5］短時交通流預(yù)測;Kumar等人應(yīng)用了人工神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測模型。這些預(yù)測模型雖然提高了預(yù)測的精確性，但都交通流預(yù)測是交通管理和控制部門采取交通誘導(dǎo)措施的主要依據(jù)，是智能交通系統(tǒng)研究的核心問題。為了更好地實時只是在傳統(tǒng)預(yù)測模型的基礎(chǔ)上進(jìn)行了改進(jìn)，而沒有考慮道路網(wǎng)性反映

7、交通狀態(tài)，基于短時交通流量預(yù)測模型的研究成為近幾絡(luò)當(dāng)中交通狀況之間的時間—空間相關(guān)性。［6］十年來流量預(yù)測研究的重點。隨著新技術(shù)的不斷發(fā)展及智能為了更好地反映交通狀況，Yang等人提出了一種基于［7］化系統(tǒng)的廣泛應(yīng)用，對于大數(shù)據(jù)的處理和交通預(yù)測模型的精度空間關(guān)系的最小二乘支持向量回歸預(yù)測模型;Xu等人提出提出了更高的要求。實時、準(zhǔn)確的交通流預(yù)測，可以有效地提基于時空特性的貝葉斯多元回歸自適應(yīng)樣條模型進(jìn)行交通流［8］高交通的通行效率和安全性，并且方便管理部門主動進(jìn)行交通預(yù)測，該模型具有更強的可解釋性和適應(yīng)性

8、;李穎宏等人考規(guī)劃，并采取合理的交通誘導(dǎo)措施。慮了交通流的時間空間性，提出了基于組合模型的交通流預(yù)［9］已有的短時交通流預(yù)測模型主要有基于時間序列的統(tǒng)計測;Wu等人提出了短期交通流預(yù)測的改進(jìn)K-近鄰預(yù)測模模型、概率圖形模型、非參數(shù)預(yù)測模型和混合組合模型等。型，并且針對預(yù)測的不同節(jié)點和不同時段檢驗其適用性。然而［1］Xue等人在混沌時間序列分析方法的基礎(chǔ)上，提出了一種兩對于改進(jìn)的這些算法雖然考慮了交通流之間的時間—空間特步優(yōu)化選