现在的位置:主页 > 期刊导读 >

公路与水路运输论文_融合路段传输模型和深度学

来源:大数据 【在线投稿】 栏目:期刊导读 时间:2021-11-09

【作者】:网站采编
【关键词】:
【摘要】:文章摘要:城市路网短时交通流预测是实现智慧城市的关键技术,随着人工智能的发展,越来越多的深度学习算法被应用于城市道路交通状态估计和预测研究。但是深度学习因缺少对交通

文章摘要:城市路网短时交通流预测是实现智慧城市的关键技术,随着人工智能的发展,越来越多的深度学习算法被应用于城市道路交通状态估计和预测研究。但是深度学习因缺少对交通流演化机理的刻画导致其可解释性不强,而交通流解析模型常因预测精度问题导致其应用效果受到限制。为了取长补短,本文首先对路段传输模型(Link Transmission Model,LTM)进行改进,提出了可以利用真实数据实时校准仿真网络从而提高预测精度的数据驱动型路段传输模型(Data-Driven Link Transmission Model,D2LTM),并在此基础上引入时空深度张量神经网络模型(Spatial-Temporal Deep Tensor Neural Networks,ST-DTNN)来捕获网络交通流数据中的时间维、空间维和深度维特征信息,形成融合路段传输模型和深度学习的城市路网短时交通流预测模型D2LTM-STDTNN。该混合模型一方面通过D2LTM机理模型来揭示交通流演化的基本规律,发挥其对城市路网交通流状态时空演化过程的精细刻画能力,增强混合模型机理的可解释性;另一方面利用ST-DTNN模型强大的高维数据挖掘能力和动态特征学习能力,提高城市级路网交通流的短时预测精度。该模型还考虑了交叉口不同转向的短时预测问题,具有更细的空间粒度和时间粒度,因此也具有更大的预测难度。实测结果表明,D2LTM-STDTNN混合模型相对于基准模型预测精度更高,且具备模拟演化机理方面的优势,提升了城市路网短时交通流状态预测能力,揭示了路段间的交通流动态演化规律,为网络交通流模拟推演和主动管控提供了技术支撑。

文章关键词:

论文分类号:U491

文章来源:《大数据》 网址: http://www.dsjzz.cn/qikandaodu/2021/1109/3020.html

上一篇:行政学及国家行政管理论文_加强事业单位人事管
下一篇:自动化技术论文_大数据环境下基于SOM神经网络

大数据投稿 | 大数据编辑部| 大数据版面费 | 大数据论文发表 | 大数据最新目录
Copyright © 2018 《大数据》杂志社 版权所有
投稿电话: 投稿邮箱: