基于卷积神经网络和长短期记忆模型的交通状态预测
本研究提出一种新型分层深度学习模型H-CLSTM-T,用以预测短期交通速度.模型结合卷积神经网络(CNN)和长短期记忆(LSTM)模型,首先通过深度卷积神经网络学习时空交通特征,然后将其输入至深度LSTM中学习时序学习,最后将分时和分日特征与CNN-LSTM模型中学习的时空特征相结合,得到交通量的季节变化趋势.通过利用深圳南坪快速路采集的速度及流量数据,将H-CLSTM-T模型与其他基准模型进行测试验证.实验结果表明,H-CLSTM-T模型的性能明显优于其他模型.同时该模型具有较强的可扩展性,可通过增加天气、长期季节性数据及交通事件信息等附加特征进一步提升全网流量预测精度.
交通状态 速度预测 卷积神经网络 长短期记忆模型
黎旭成 唐校辉 王卓 陈振武 耿东雪
深圳市城市交通规划设计研究中心有限公司
国内会议
成都
中文
1-12
2019-10-16（万方平台首次上网日期，不代表论文的发表时间）