基于CNN+LSTM的城市路网动态OD估计方法研究
利用道路交通供需关系实现精细化城市交通管理是智能交通的主要内容,其中城市路网动态OD估计是交通需求侧的重要支撑.各种车辆检测器的广泛布设为智能交通提供了多样的交通大数据,以高清卡口车辆检测器采集的号牌数据为代表的车辆轨迹数据可以提供车辆的行驶路径,为估计路网动态OD提供了数据支持.以深度学习为代表的人工智能技术为交通科学问题提供了新的解决思路.本研究将监督式学习中的CNN和LSTM两种神经网络相结合,构建兼具时空特性的动态OD分配模型,基于进化策略思想用训练好的分配模型快速估计动态OD,最后对模型的交通分配性能和动态OD估计性能进行评估.结果表明,本文提出的方法能够快速和较为准确地估计城市路网动态OD.
城市路网 车流动态估计 监督式学习 神经网络
王寅朴 安成川 夏井新 陆振波
江苏南京 东南大学 智能运输系统研究中心,南京 211189
国内会议
上海
中文
469-477
2019-10-31（万方平台首次上网日期，不代表论文的发表时间）