基于差分数据图和深度学习的短时交通流预测

摘要：

交通流量预测(TFP)是提高交通出行效率、减少智能交通系统(ITS)交通拥堵的重要问题.为了从交通流特征提取的角度提高TFP精度,该文提出了一种新的方法DG-CNN-SVR.该方法的基本思想依赖于2个方面:交通流数据趋势和不同工作日的细微差别.因此,引入差分运算来消除趋势分量,然后构建交通数据图以帮助解释复杂特征.通过卷积神经网络(CNN)进行特征学习,并使用支持向量回归(SVR)进行交通流量预测.通过测试数据集的实验结果表明,所提出的TFP方法比单独使用CNN和SVR的情况更有效.

关键词：交通流量预测、卷积神经网络、支持向量回归、数据差分、交通数据图

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金项目;河南省交通运输厅科技计划项目;中央高校基本科研业务费专项资金

在线出版日期：2020-05-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：3-7,27