文献类型：期刊文章

作　　者：刘明宇[1] 吴建平[1] 王钰博[2] 何磊[3]

Liu Mingyu;Wu Jianping;Wang Yubo;He Lei(Department of Civil Engineering,Tsinghua University,Beijing 100084,China;Chu Kochen Honors College,Hangzhou 310000,China;Beijing Traffic Management Bureau,Beijing 100037,China)

机构地区：[1]清华大学土木系,北京100084 [2]浙江大学竺可桢学院,浙江杭州310000 [3]北京市公安局公安交通管理局,北京100037

出　　处：《系统仿真学报》

基　　金：国家自然科学基金(U1509205;U1709212);清华大学自主科研计划项目(2015THZ01);北京市朝阳区科技计划项目(CYSF1701)

年　　份：2018

卷　　号：30

期　　号：11

起止页码：4100-4105

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD2017_2018、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：交通流预测是城市智能交通系统的重要组成部分。随着人工智能和机器学习的不断发展,深度学习在交通工程领域得到了广泛的应用。选取门控循环单元(Gated Recurrent Unit, GRU)神经网络作为研究对象,利用交叉验证法探究GRU模型的最佳门控循环单元个数,并与支持向量机回归等三种预测模型通过不同指标进行综合评价和对比。结果表明,与其它3种模型相比,GRU模型具有良好的预测性能。

关 键 词：交通工程 GRU  交通流预测 深度学习  

分 类 号：TP391.9]