基于深度学习的短时交通流量预测

• 作者: 乔松林 刘吉 孙仁诚
• 来源期刊: 青岛大学学报（自然科学版）
• 学科: 交通运输
• 关键词: 深度学习 短时交通流预测 LSTM 特征 SVR
• 年，卷（期）: 2017,（4）
• 所属期刊栏目: 信息工程
• 页码范围: 65-69
• 页数: 5页
• 分类号: U491.2
• 字数: 3433字
• 语种: 中文
• DOI: 10.3969/j.issn.1006-1037.2017.11.13

摘要

针对交通流数据的时间相关性和非线性等特点,现有预测方法未能充分获取交通流的本质特征,提出了一种基于深度学习的短时交通流量预测方法.该方法结合长短时记忆神经网络(LSTM)和支持向量机回归(SVR)作为预测模型,利用长短时记忆神经网络模型进行获取特征,用获取的特征训练支持向量回归进行交通流量的预测,比较了与其它模型的预测效果,真实数据集的结果表明,该模型有较高的预测精度.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	孙仁诚	青岛大学计算机科学技术学院	56	250	10.0	14.0
2	乔松林	青岛大学计算机科学技术学院	2	20	2.0	2.0
3	刘吉	青岛大学计算机科学技术学院	2	20	2.0	2.0