改进支持向量回归机的短时交通流预测

论文摘要

短时交通流预测是实施智能交通控制的基础和保障.针对目前短时交通流预测方法拟合交通数据的能力偏弱,以及过分依赖历史数据的不足,提出一种基于深度学习回归机的短时交通流预测方法.首先构建深度学习回归机算法模型,包括受限玻尔兹曼机的显层节点输入端,受限玻尔兹曼机的若干中间层,以及径向基支持向量回归机输出端.通过实验将深度学习回归机预测方法与其他典型的短时交通流预测算法进行比较,结果表明,在相同的数据和计算平台下,本文提出的深度学习回归机预测方法精度更高,且预测实时性也能满足实际的需求.

论文目录

• 0 引言
• 1 深度学习回归机算法
•   1.1 深度学习回归机算法模型的建立
•   1.2 深度学习回归机的短时交通流预测实现步骤
• 2 实验结果与分析
•   2.1 实验数据的选取
•   2.2 短时交通流预测系统搭建
•   2.3 深度学习回归机短时交通流预测算法性能验证
•   2.4 与其他经典短时交通流预测算法精度比较
• 3 结论

文章来源

类型: 期刊论文

作者: 傅成红,杨书敏,张阳

关键词: 智能交通,深度学习,支持向量回归,短时交通流,粒子群

来源: 交通运输系统工程与信息 2019年04期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 公路与水路运输,计算机软件及计算机应用

单位: 福建工程学院交通运输学院

基金: 福建省自然科学基金(2016J01725),福建工程学院科研发展基金(GY-Z160133,GY-Z160123)~~

分类号: U495

DOI: 10.16097/j.cnki.1009-6744.2019.04.019

页码: 130-134+148

总页数: 6

文件大小: 1326K

下载量: 443