基于深度学习的短时道路交通流量预测研究

• 作者: 王红蕾 郑友康
• 来源期刊: 软件
• 学科: 工学
• 关键词: 交通流量 LSTM 时间序列 深度学习
• 年，卷（期）: 2020,（5）
• 所属期刊栏目: 基金项目论文
• 页码范围: 72-74
• 页数: 3页
• 分类号: TP3
• 字数: 1753字
• 语种: 中文
• DOI: 10.3969/j.issn.1003-6970.2020.05.014

摘要

准确的短时交通流量预测有利于主动交通控制和出行者的出行规划,文章提出了一种改进的长短期记忆模型(ILSTM)来对短时道路交通流量进行预测.LSTM是RNN的变体形式,在处理时间序列数据上具有优势,所以适合来预测短时交通流量,并通过仿真实验来验证所提方法的有效性,构建了以LSTM为基础的深度学习模型,与其它传统模型支持向量机(SVR),长短记忆模型(LSTM)进行了比较分析,并调整了模型的超参数以分析对模型性能的影响.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王红蕾	贵州大学电气工程学院	57	132	6.0	8.0
2	郑友康	贵州大学电气工程学院	3	0	0.0	0.0