基于深度学习的交通预测方法研究
交通预测是实现智慧城市中智能交通系统的重要组成部分,直接影响到后续的交通控制与诱导系统的实现,已经越来越受到人工智能研究领域的重视.例如,准确预测的士需求,可协助的士公司预先调配的士以满足乘客的出行需求,并减少街道上浪费能源和加剧交通拥堵的空车.随着Uber、滴滴出行等打车需求服务在中国的日益普及,我们能够持续收集大规模的打车需求数据.如何利用这样的大数据来提高需求预测是一个有趣而关键的现实问题.传统的需求预测方法大多依赖于时间序列预测技术,无法对复杂的非线性时空关系进行建模.最近在深度学习方面的研究表明,通过从大量数据中学习复杂特征和相关性,深度学习在传统的挑战性任务(如图像分类)中表现出优异的性能.这一突破激发了研究人员探索交通预测问题的深度学习技术.本文将简单介绍交通预测问题,以及其中涉及的传统方法和深度学习算法.
交通预测、传统方法、深度学习
15
TP311(计算技术、计算机技术)
2020-03-10（万方平台首次上网日期，不代表论文的发表时间）
共2页
182-183
