基于时空分析和CNN的交通流量短时预测方法
准确的短时交通流量预测有助于主动交通控制和驾驶员的出行规划.现有的许多交通流量预测模型往往未能充分利用道路交通的时间和空间相关性,从而使预测精度受限于交通数据的准确度.本文提出了一种结合时空分析的卷积神经网络(CNN)深度学习框架的交通流量短时预测模型.在所提出的预测框架中,采用时空特征选择算法定义最佳的输入时间间隔和空间数据量.同时,从实际的交通流量数据中提取选定的交通流量数据并转化为具有时空交通流量信息的二维矩阵,利用CNN对矩阵内部交通流的时空特征信息进行提取、处理和学习,达到预测的目的.通过对预测结果与实际交通数据的比较验证了该方法的有效性.与其他常用的模型也进行了比较,结果表明所提出的方法在精度和稳定性方面优于支持向量回归模型和人工神经网络模型.
交通流量 短时预测 时空分析 卷积神经网络 深度学习
张伟斌 余英豪 戚湧 束锋 陆锦辉
南京理工大学电子工程与光电技术学院 南京 210094 南京理工大学计算机工程学院 南京 210094
国内会议
天津
中文
349-361
2018-11-07（万方平台首次上网日期，不代表论文的发表时间）