文献类型：期刊文章

作　　者：张威威[1,2] 李瑞敏[1,2] 谢中教[3]

机构地区：[1]清华大学土木工程系,北京100084 [2]国家道路交通管理工程技术研究中心,北京100084 [3]山东省公安厅交通管理局,山东济南250031

出　　处：《系统仿真学报》

基　　金：北京市自然科学基金(8162024)

年　　份：2017

卷　　号：29

期　　号：10

起止页码：2309-2315

语　　种：中文

收录情况：BDHX、BDHX2014、CAS、CSCD、CSCD2017_2018、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：城市道路旅行时间预测是城市智能交通系统的重要支撑。选择深度学习中的四种长短期记忆神经网络(Long Short-Term Memory,LSTM)架构进行道路旅行时间的预测。固定LSTM隐藏层的节点数以确定模型的最佳输入长度;固定模型的输入长度,分别测试在不同的隐藏层节点数和考虑空间相关性的条件下四种LSTM模型的预测性能;将空间LSTM模型与传统BP(Back Propagation)神经网络等四种模型进行了对比和分析。结果表明相对于其他四种模型,考虑空间相关性的LSTM模型具有更好的拟合和训练能力。

关 键 词：交通工程 LSTM  旅行时间预测 空间相关性  深度学习  

分 类 号：TP391]