基于深度学习的交通拥堵预测模型研究

• 作者: 王胜春 谭娟
• 来源期刊: 计算机应用研究
• 关键词: 交通拥堵 预测模型 深度学习 自编码网络 Softmax回归
• 年，卷（期）: 2015,（10）
• 所属期刊栏目: 算法研究探讨
• 页码范围: 2951-2954
• 页数: 4页
• 分类号: TP181
• 语种: 中文
• DOI: 10.3969/j.issn.1001-3695.2015.10.016

摘要

针对城市道路交通拥堵预警问题,提出了一种基于深度学习的预测模型.通过归纳合并交通流参数、环境状态、时段等基础数据来构建交通流特征向量并确定四种预测状态.采用深度学习的自编码网络方法从无标签数据集中学习获取可表征数据深层特征的隐层参数并生成新特征集.应用Softmax回归对有标签的新特征集进行学习生成预测分类器,模型可对交通拥堵状况进行多态预测.通过仿真对比分析,预测模型具有较省略特征学习的预测算法更好的预测性能,平均预测精度可达85％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	谭娟	北京工商大学商学院	9	117	3.0	9.0
2	王胜春	北京交通大学交通数据分析与挖掘北京市重点实验室	8	135	3.0	8.0