文献类型：期刊文章

作　　者：王祥雪[1] 许伦辉[1]

WANG Xiang-xue, XU Lun-hui(School of Civil Engineering and Transportation, South China University of Technology, Guangzhou 510640, Chin)

机构地区：[1]华南理工大学土木与交通学院,广州510640

出　　处：《交通运输系统工程与信息》

基　　金：国家自然科学基金(61263024);广东省自然科学基金(2016A030310104)~~

年　　份：2018

卷　　号：18

期　　号：1

起止页码：81-88

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对交通流时间序列,在深度学习的理论框架下,构建基于LSTM-RNN的城市快速路短时交通流预测模型.根据交通流的时空相关性完成时间序列的重构,依靠模型训练对时空关联特性进行识别和强化,兼顾精度和时效性确定神经网络深度,完成短时交通流预测模型搭建.基于Tensor Flow的Keras完成LSTM-RNN的逐层构建和精细化调参,利用路网实测数据样本完成算法验证,实现模型本地保存并根据预测精度进行自适应更新.结果表明,本文所采用的预测算法精度高,受训练样本量的限制较小,实时性、扩展性和实用性均得到有效提高.

关 键 词：交通工程 交通流预测 LSTM-RNN  时间序列 深度学习  

分 类 号：U491[物流管理与工程类]