基于深度学习的城市道路旅行时间预测

发布时间：2018-01-18 09:37

  本文关键词：基于深度学习的城市道路旅行时间预测　出处：《系统仿真学报》2017年10期 　论文类型：期刊论文

  更多相关文章： 交通工程 LSTM 旅行时间预测 空间相关性 深度学习

【摘要】：城市道路旅行时间预测是城市智能交通系统的重要支撑。选择深度学习中的四种长短期记忆神经网络(Long Short-Term Memory,LSTM)架构进行道路旅行时间的预测。固定LSTM隐藏层的节点数以确定模型的最佳输入长度;固定模型的输入长度,分别测试在不同的隐藏层节点数和考虑空间相关性的条件下四种LSTM模型的预测性能;将空间LSTM模型与传统BP(Back Propagation)神经网络等四种模型进行了对比和分析。结果表明相对于其他四种模型,考虑空间相关性的LSTM模型具有更好的拟合和训练能力。
[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.
【作者单位】： 清华大学土木工程系;国家道路交通管理工程技术研究中心;山东省公安厅交通管理局;
【基金】：北京市自然科学基金(8162024)
【分类号】：TP18;U491.14
【正文快照】： 3.山东省公安厅交通管理局,山东济南250031)引言1近年来,随着人工智能领域的快速发展,深度学习逐渐出现在人们的视线之中。各种深度学习架构应运而生,在图像识别、计算机视觉和自然语言处理等方面取得了重大进展,得到了研究人员的普遍认可和一致好评。深度学习神经网络与传统，

本文编号：1440378