基于数据扩展的短时交通流量预测

• 作者: 孙仁诚 邵峰晶 魏庆东
• 来源期刊: 青岛大学学报（自然科学版）
• 学科: 交通运输
• 关键词: 数据扩展 短时交通流预测 自编码 LSTM SVR
• 年，卷（期）: 2019,（2）
• 所属期刊栏目: 信息工程
• 页码范围: 73-78
• 页数: 6页
• 分类号: U491.1
• 字数: 4419字
• 语种: 中文
• DOI: 10.3969/j.issn.1006-1037.2019.02.13

摘要

多种机器学习和深度学习的模型和算法应用于短时交通流量预测,但是,大多数模型尤其是深度学习模型对训练样本的数量要求较高.为此,提出了一种基于数据扩展的短时交通流量预测方法,该方法基于自编码神经网络分别结合长短时记忆神经网络(LSTM)和支持向量机回归(SVR)构建预测模型,该模型利用自编码神经网络扩展的数据分别训练长短时记忆神经网络和支持向量回归进行交通流量的预测,结果表明,所提出的预测模型具有较高的精度和较好的泛化能力.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	邵峰晶	青岛大学计算机科学技术学院	54	396	11.0	18.0
2	孙仁诚	青岛大学计算机科学技术学院	56	250	10.0	14.0
3	魏庆东	青岛大学计算机科学技术学院	1	0	0.0	0.0