基于差分数据图和深度学习的短时交通流预测

• 作者: 姚博彬 张海静 武奇生
• 来源期刊: 工业仪表与自动化装置
• 关键词: 交通流量预测 卷积神经网络 支持向量回归 数据差分 交通数据图
• 年，卷（期）: 2020,（2）
• 所属期刊栏目: 科研论坛
• 页码范围: 3-7,27
• 页数: 6页
• 分类号: TP181
• 语种: 中文
• DOI: 10.3969/j.issn.1000-0682.2020.02.001

摘要

交通流量预测(TFP)是提高交通出行效率、减少智能交通系统(ITS)交通拥堵的重要问题.为了从交通流特征提取的角度提高TFP精度,该文提出了一种新的方法DG-CNN-SVR.该方法的基本思想依赖于2个方面:交通流数据趋势和不同工作日的细微差别.因此,引入差分运算来消除趋势分量,然后构建交通数据图以帮助解释复杂特征.通过卷积神经网络(CNN)进行特征学习,并使用支持向量回归(SVR)进行交通流量预测.通过测试数据集的实验结果表明,所提出的TFP方法比单独使用CNN和SVR的情况更有效.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	武奇生	长安大学电子与控制工程学院	45	251	9.0	13.0
2	姚博彬	长安大学电子与控制工程学院	10	19	2.0	4.0
3	张海静	长安大学电子与控制工程学院	1	0	0.0	0.0