基于Detroit模型和深度学习的交通流调度方法应用分析

• 作者: 李储信 顾洵
• 来源期刊: 中国电子科学研究院学报
• 学科: 工学
• 关键词: Detroit模型 深度学习 交通流 调度 深度信念网络 需求分析
• 年，卷（期）: 2019,（2）
• 所属期刊栏目: 计算机应用
• 页码范围: 111-117
• 页数: 7页
• 分类号: TP391.9
• 字数: 5308字
• 语种: 中文
• DOI: 10.3969/j.issn.1673-5692.2019.02.001

摘要

当前交通流调度方法,未考虑车流量的实际输出结果,且算法过于简单,难以得出到最优的调度方案,交通流调度效果差.据此提出基于Detroit模型和深度学习的交通流调度方法,采用基于Detroit模型的交通需求分布预测方法,获得预测年的车辆流;采用以深度信念网络(DBN)和高斯一伯努利GBRBM为基础的深度学习模型,对输入的预测年车辆流进行训练,获取对应道路的实际车辆流输出结果,结合最大最小蚁群算法求出交通流调度最优解,实现交通流的有效调度.实验结果说明,所提方法调度交通流的平均时间为31.5s、调度效率最高为99.8％、最低规划误差仅为5％,说明该方法具有较高的交通流调度精确度和效率,调度性能高.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李储信	中国人民公安大学交通管理学院	7	0	0.0	0.0
2	顾洵	中国人民公安大学交通管理学院	3	0	0.0	0.0