本文關(guān)鍵詞：基于深度學(xué)習(xí)的城市道路旅行時(shí)間預(yù)測(cè)　出處：《系統(tǒng)仿真學(xué)報(bào)》2017年10期 　論文類(lèi)型：期刊論文

  更多相關(guān)文章： 交通工程 LSTM 旅行時(shí)間預(yù)測(cè) 空間相關(guān)性 深度學(xué)習(xí)

【摘要】：城市道路旅行時(shí)間預(yù)測(cè)是城市智能交通系統(tǒng)的重要支撐。選擇深度學(xué)習(xí)中的四種長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)架構(gòu)進(jìn)行道路旅行時(shí)間的預(yù)測(cè)。固定LSTM隱藏層的節(jié)點(diǎn)數(shù)以確定模型的最佳輸入長(zhǎng)度;固定模型的輸入長(zhǎng)度,分別測(cè)試在不同的隱藏層節(jié)點(diǎn)數(shù)和考慮空間相關(guān)性的條件下四種LSTM模型的預(yù)測(cè)性能;將空間LSTM模型與傳統(tǒng)BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)等四種模型進(jìn)行了對(duì)比和分析。結(jié)果表明相對(duì)于其他四種模型,考慮空間相關(guān)性的LSTM模型具有更好的擬合和訓(xùn)練能力。
[Abstract]:Urban road travel time prediction is an important support of urban intelligent transportation system. Four kinds of long-term and short-term memory neural networks, long Short-Term Memory, are selected for deep learning. In order to determine the optimal input length of the model, the number of nodes in the LSTM hidden layer is fixed to predict the road travel time. The input length of the model is fixed and the prediction performance of the four LSTM models is tested under the condition of different hidden layer nodes and spatial correlation. The spatial LSTM model and the traditional BP(Back propagation neural network are compared and analyzed. The results show that compared with the other four models. The LSTM model with spatial correlation has better fitting and training ability.
【作者單位】： 清華大學(xué)土木工程系;國(guó)家道路交通管理工程技術(shù)研究中心;山東省公安廳交通管理局;
【基金】：北京市自然科學(xué)基金(8162024)
【分類(lèi)號(hào)】：TP18;U491.14
【正文快照】： 3.山東省公安廳交通管理局,山東濟(jì)南250031)引言1近年來(lái),隨著人工智能領(lǐng)域的快速發(fā)展,深度學(xué)習(xí)逐漸出現(xiàn)在人們的視線(xiàn)之中。各種深度學(xué)習(xí)架構(gòu)應(yīng)運(yùn)而生,在圖像識(shí)別、計(jì)算機(jī)視覺(jué)和自然語(yǔ)言處理等方面取得了重大進(jìn)展,得到了研究人員的普遍認(rèn)可和一致好評(píng)。深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)，

本文編號(hào)：1440378