基于深度学习的短时交通流预测

• 作者: 孙壮文 焦琴琴 牛力瑶 罗向龙
• 来源期刊: 计算机应用研究
• 关键词: 交通流预测 深度学习 短时交通流 支持向量回归
• 年，卷（期）: 2017,（1）
• 所属期刊栏目: 算法研究探讨
• 页码范围: 91-93,97
• 页数: 4页
• 分类号: TP181
• 语种: 中文
• DOI: 10.3969/j.issn.1001-3695.2017.01.018

摘要

针对现有预测方法未能充分揭示交通流内部的本质规律，提出了一种基于深度学习的短时交通流预测方法。该方法结合深度信念网路模型（DBN）与支持向量回归分类器（SVR）作为预测模型，利用差分去除交通流数据的趋势向，用深度信念网络模型进行交通流特征学习，在网络顶层连接支持向量回归模型进行流量预测。实际交通流数据测试结果表明，提出的预测模型与传统预测模型相比具有更高的预测精度，预测性能提高了18．01％，是一种有效的交通流预测方法。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	罗向龙	长安大学信息工程学院	16	176	6.0	13.0
2	牛力瑶	长安大学信息工程学院	3	101	3.0	3.0
3	焦琴琴	长安大学信息工程学院	3	97	2.0	3.0
4	孙壮文	长安大学信息工程学院	2	95	2.0	2.0