论文摘要
当前交通流调度方法,未考虑车流量的实际输出结果,且算法过于简单,难以得出到最优的调度方案,交通流调度效果差。据此提出基于Detroit模型和深度学习的交通流调度方法,采用基于Detroit模型的交通需求分布预测方法,获得预测年的车辆流;采用以深度信念网络(DBN)和高斯—伯努利GBRBM为基础的深度学习模型,对输入的预测年车辆流进行训练,获取对应道路的实际车辆流输出结果,结合最大最小蚁群算法求出交通流调度最优解,实现交通流的有效调度。实验结果说明,所提方法调度交通流的平均时间为31. 5 s、调度效率最高为99. 8%、最低规划误差仅为5%,说明该方法具有较高的交通流调度精确度和效率,调度性能高。
论文目录
文章来源
类型: 期刊论文
作者: 顾洵,李储信
关键词: 模型,深度学习,交通流,调度,深度信念网络,需求分析
来源: 中国电子科学研究院学报 2019年02期
年度: 2019
分类: 信息科技,工程科技Ⅱ辑
专业: 公路与水路运输,自动化技术
单位: 中国人民公安大学交通管理学院
基金: 北京市支持中央在京高校共建项目(201854),北京市支持中央在京高校共建项目(201853),中国公安大学学生科研创新训练计划(201824)
分类号: U491;TP181
页码: 111-117
总页数: 7
文件大小: 694K
下载量: 117