10.3969/j.issn.1006-2475.2021.07.009
基于改进eRCNN的局部路网交通流预测
针对误差反馈循环卷积神经网络在运用到短时交通流预测时存在仅仅能接收时序误差序列,忽略交通流误差数据中隐含的空间拓扑特征,且在模型初始化时其采用的通用卷积神经网络初始化方法降低了模型训练效率的问题,本文提出一种优化的误差反馈循环卷积神经网络模型,在误差反馈循环卷积神经网络模型基础上根据预测误差数据的时空特性对误差反馈层进行结构强化,能够处理包含简单空间关系的误差序列.同时通过在模型训练的过程中分离模型产生的历史预测误差和训练误差,使得模型构建过程更加高效,加速了模型收敛速度.通过北京市四环道路交通数据的实验表明,优化的误差反馈循环卷积神经网络预测模型在预测精度、构建效率及鲁棒性上均得到有效提高.
时空数据;交通流预测;卷积神经网络;模型优化
TP183;U491.1(自动化基础理论)
国家重点研发计划资助项目;北京市教委科技面上项目
2021-08-06(万方平台首次上网日期,不代表论文的发表时间)
共6页
49-53,64