基于深度學習的短時交通流預測.pdf

1、隨著城市智能交通系統(tǒng)的不斷完善，城市道路上安裝了大量的檢測器設備來采集道路和車輛的信息數據，通過分析檢測器檢測到的大量數據，為從數據中發(fā)現交通規(guī)律，支持城市交通優(yōu)化，短時交通流分析是當前主要研究問題之一。卷積神經網絡避免了從數據中人工提取特征的問題，采用卷積神經網絡科自動提取交通流量的時空特征，具有較好的應用價值?；诖吮疚牟捎镁矸e神經網絡的方法對短時交通流進行研究預測，主要內容如下：
　　本文通過構建卷積神經網絡模型，將路網的交

2、通流數據轉化為交通流擁堵級別數據，實現基于此類數據的預測時間小于5分鐘的交通狀況預測，面對特定類型的樣本較小的情況，利用遷移學習的思路增加訓練集的數據量和提升模型的預測性能。本文的主要工作如下：
　　（1）針對短時交通流預測問題，提出了采用卷積神經網絡解決，分析了方案中卷積神經網絡中卷積核大小對模型預測準確度的影響，采用秦皇島連續(xù)并且缺失值最少的15天的數據集，實現了1分鐘和5分鐘的流量預測。并實現了高峰期和全天時段數據的預測。<