基于LSTM循环神经网络的泊位需求短时预测研究

论文摘要

本文提出基于深度学习理论的LSTM（Long Short-Term Memory,长短期记忆）单元的循环神经网络泊位需求预测模型,根据前几个小时泊位需求变化量对后续时间点对应的泊位需求量进行预测。以杭州某大学为实验对象,采用随机两天和特定两天数据进行实践验证。结果显示:采用LSTM循环神经网络模对区域内泊位需求进行预测能够比传统方法在结果上更加接近实际值,并且精度较为满意,表明该预测方法可行有效。

论文目录

• 1 引言
• 2 LSTM循环神经网络原理介绍
•   2.1 LSTM循环神经网络基本原理
•   2.2 LSTM网络的学习训练
• 3 短时泊位需求预测的LSTM-RNN模型构建
•   3.1 数据提取与预处理
•   3.2 LSTM循环神经网络模型构建及模型参数设置
• 4 模型测试结果
•   4.1 模型测试结果
•   4.2 误差结果分析
• 5 结束语

文章来源

类型: 期刊论文

作者: 裘瑞清,周后盘,吴辉,阮益权,石敏

关键词: 泊位需求预测,深度学习,长短时间记忆,循环神经网络

来源: 自动化技术与应用 2019年11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: 杭州电子科技大学智慧城市研究中心

基金: 浙江省重点研发计划项目（编号2018C01016）

分类号: U491.7;TP183

页码: 107-113

总页数: 7

文件大小: 2055K

下载量: 140