结合深度学习的短时车流量预测优化方法

• 作者: 王钰 程鑫 郭兰英
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 智能交通系统 短时车流量 多因素分析 Long Short-Term Memory
• 年，卷（期）: 2020,（16）
• 所属期刊栏目: 工程与应用
• 页码范围: 211-217
• 页数: 7页
• 分类号: TP391.4
• 字数: 5406字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.1909-0331

摘要

随着交通流检测技术的发展,海量的交通流信息可以更容易高效地获取,针对短时车流量预测的准确性要求,提出了一种结合深度学习的短时车流量预测优化方法,采用神经网络Long Short-Term Memory算法,用多因素分析的思想对数据进行处理.通过对短时交通流数据进行多因素分析,如天气因素、节假日等,将短时交通流数据划分为多种数据集,将划分的不同数据集作为训练集去预测与训练集因素相同的未来时刻车流量情况.通过这种方法,使得获取的数据更为纯净,有效解决了多种因素对车流量预测影响问题.结果表明,该优化方法克服了车流量数据集影响因素不单一的缺点,能够更为准确地反映道路交通流的变化特征.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	郭兰英	长安大学信息工程学院	19	128	6.0	11.0
2	程鑫	长安大学信息工程学院	8	26	3.0	5.0
3	王钰	长安大学信息工程学院	8	64	4.0	8.0