文献类型：期刊文章

作　　者：罗向龙[1] 焦琴琴[1] 牛力瑶[1] 孙壮文[1]

机构地区：[1]长安大学信息工程学院,西安710064

出　　处：《计算机应用研究》

基　　金：国家交通运输部重大科技专项项目(2011318812260)

年　　份：2017

卷　　号：34

期　　号：1

起止页码：91-93

语　　种：中文

收录情况：AJ、BDHX、BDHX2014、CSA-PROQEUST、CSCD、CSCD_E2017_2018、IC、INSPEC、JST、RCCSE、UPD、ZGKJHX、ZMATH、核心刊

摘　　要：针对现有预测方法未能充分揭示交通流内部的本质规律,提出了一种基于深度学习的短时交通流预测方法。该方法结合深度信念网路模型(DBN)与支持向量回归分类器(SVR)作为预测模型,利用差分去除交通流数据的趋势向,用深度信念网络模型进行交通流特征学习,在网络顶层连接支持向量回归模型进行流量预测。实际交通流数据测试结果表明,提出的预测模型与传统预测模型相比具有更高的预测精度,预测性能提高了18.01%,是一种有效的交通流预测方法。

关 键 词：交通流预测 深度学习  短时交通流 支持向量回归

分 类 号：TP181]