資源描述：
《基于cnn-svr混合深度學習模型的短時交通流預測》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在應用文檔-天天文庫。
1、基于CNN-SVR混合深度學習模型的短時交通流預測羅文慧董寶田王澤勝北京交通大學交通運輸學院精準且快速的短時交通流預測是智能交通發(fā)展的重要組成部分.本文針對當前交通流預測模型不能充分提取交通流數(shù)據(jù)的時空特征、預測性能容易受到外界下擾因素影響的問題，提出一種基于深度學習的短時交通流預測模型，該模型結(jié)合卷積神經(jīng)網(wǎng)絡(ConvolutionalNeuralNetwork,CNN)與支持向量In］歸分炎器(SupportVectorRegression,SVR)的特點：在網(wǎng)絡底層應用CNN進行交通流特征提取，并將提取結(jié)果輸入到SVR回歸模型屮進行流量預測.為驗證模型的有效性，取G103
2、國道的實際交通流量數(shù)據(jù)進行試驗.結(jié)果表明，提出的預測模型與傳統(tǒng)的預測模型相比具有更高的預測精度，預測性能提高了11%，是一種有效的交通流預測模型.關(guān)鍵詞：智能交通;交通流預測;卷積神經(jīng)網(wǎng)絡;交通流;支持向量回歸;深度學習；羅文慧（1983-）,女，新疆烏魯木齊人，生.董寶田，btdong@bjtu.edu.Short-termTrafficFlowPredictionBasedonCNN-SVRHybridDeepLearningModelLUOWen-huiDONGBao-tianWANGZe-shengSchoolofTrafficandTransportatiorKBei
3、jingJiaotongUniversity;Abstract：Itisveryimportantforintelligenttransportationdevelopmenttorealizeaccurateandfasttrafficforecast.However,dominantmodelsforshort-termtrafficflowforecastingcan’textractspatial-temporalcharacteristicsoftrafficflowdataamply.Moreover,thesemodelsaresusceptibletooutsi
4、defactors.Toresolvetheseproblems,aninnovativemodelbasedondeeplearningisproposedinthispaper.ConvolutionalNeuralNetwork(CNN)andSupportVectorRegression(SVR)classifierarecombinedinthismodel:featurelearningoftrafficflowiscarriedoutbyusingCNNinunderlyingnetwork,thentheextractedresultsaretransmitte
5、dtoSVRmodelasinputtopredicttrafficflow.Toverifythevalidityoftheproposedmodel,experimentsareconductedonactualtrafficflowdataofChinanationalhighway103(G103).Experimentalresultsshowthattheproposedmodelhashigherpredictionaccuracythanthetraditionalpredictionmodel,andthepredictionperformanceisimpr
6、ovedby11%，whichisaneffectivetrafficflowforecastingmodel-Keyword：intelligenttransportation;trafficflowprediction;convolutionalneuralnetwork;trafficflow;supportvectorregression;deeplearning;0引言實現(xiàn)對未來交通狀態(tài)快速和精準的判斷是智能交通控制與誘導、道路網(wǎng)絡規(guī)劃的基礎(chǔ).短時交通流預測作為國內(nèi)外智能交通系統(tǒng)的研宄熱點，30多年來取得了豐富研究成果，主要括基于時間序列的統(tǒng)計模型、非參數(shù)預測模型和混
7、合模型等.隨著大數(shù)據(jù)吋代的到來，深度學近幾年來發(fā)展迅速，交通科學研宄者也將深度學習理論應用于解決交通問題JluangW.等U1提出由DBN和頂部多任務回歸層的深度學習模型;lvy.等m應用自動編碼器深層架構(gòu)模型預測交通流特征;YangH.F.等［3］捉出新型Levenberg-Marquardt堆疊自編碼器深度學習模型，應用Taguchi方法優(yōu)化結(jié)構(gòu)，逐層提取特征并無監(jiān)督學習交通流特征;WuY.等［4］用一維卷積網(wǎng)絡捕獲交通流空間特征，用兩個長期短吋記憶法挖掘交通流短吋周期性，設計特征級融合
