_基于深度学习的交通拥堵预测模型研究

《_基于深度学习的交通拥堵预测模型研究》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第32卷第10期计算机应用研究Vol.32No.102015年10月ApplicationＲesearchofComputersOct．2015*基于深度学习的交通拥堵预测模型研究12谭娟，王胜春(1．北京工商大学商学院，北京100048;2．北京交通大学交通数据分析与挖掘北京市重点实验室，北京100044)摘要:针对城市道路交通拥堵预警问题，提出了一种基于深度学习的预测模型。通过归纳合并交通流参数、环境状态、时段等基础数据来构建交通流特征向量并确定四种预测状态。采用深度学习的自编码网络方法从无标签数据集中学习获取可表征数据深层特征的隐层参数

2、并生成新特征集。应用Softmax回归对有标签的新特征集进行学习生成预测分类器，模型可对交通拥堵状况进行多态预测。通过仿真对比分析，预测模型具有较省略特征学习的预测算法更好的预测性能，平均预测精度可达85%。关键词:交通拥堵;预测模型;深度学习;自编码网络;Softmax回归中图分类号:TP181文献标志码:A文章编号:1001-3695(2015)10-2951-04doi:10．3969/j．issn．1001-3695．2015．10．016Ｒesearchonpredictionmodelfortrafficcongestionbas

3、edondeeplearning12TanJuan，WangShengchun(1．BusinessSchool，BeijingTechnology＆BusinessUniversity，Beijing100048，China;2．BeijingKeyLaboratoryofTrafficDataAnalysis＆Mining，BeijingJiaotongUniversity，Beijing100044，China)Abstract:Inordertopredictthetrafficcongestionincity，thispaperpr

4、oposedthepredictionmodelbasedonthedeeplear-ning．Thetrafficdatalikeflowparameters，environmentalsituation，timesofdayandsoonweresummarizedandcomposedin-tothefeaturevector，anddefinedfourkindsoftrafficflowpattern．Itlearnedtheunlabelledtrafficdatasetbytheauto-encodernetworktobuil

5、dthehiddenlayerfunctionandgeneratethenewfeaturedataset，andusedthesoftmaxregressiontoclassifythetrafficpatternbasedonthelabeledfeaturedatasetlearning．Demonstratedbythesimulation，thepredictionmodelhasbetterperformancethanthemodelwithoutthefeaturelearning，theaveragepredictiona

6、ccuracycanreach85%．Keywords:trafficcongestion;predictionmodel;deeplearning;auto-encodernetwork;Softmaxregression交通拥堵已经成为制约城市经济和社会发展的瓶颈，它直致模型普遍缺乏长效性和扩展能力。［6］接造成城市的整体运转效率降低，在城市发展过程中的短板效深度学习是一种模拟人脑的多层感知结构来认识数据应日益明显。国际诺贝尔经济学奖得主Becker曾经测算，全模式的学习算法。近年来作为数据挖掘的一个新兴领域，在处球每年因交通拥堵造成的损

7、失占GDP的2．5%。目前各国用理图像、文本、语音等非结构化数据等方面体现出了极为卓越来衡量交通拥堵的参数主要有拥堵时间、排队长度、车速等。的性能，目前已逐渐被斯坦福大学、Google、百度研究院等权威中国公安部则对拥堵路段给出了定义:车辆在车行道上受阻且机构作为21世纪数据挖掘和人工智能发展的战略方向。在交排队长度超过1km的状态。它就像是一种慢性病，每天都在通应用领域，Schmidhuber等人将该模型用于汽车智能驾驶的折磨着穿梭于城市道路上的人群，但应对起来却往往力不从心。交通标志识别，使用深度学习的方式，获得了比人工识别还低［7］交通

8、拥堵的治理应首在预防，即能根据道路的现有交通状的错误率。本文应用深度学习算法体系来处理交通流参数态预测分析出短时间内的交通状态变化趋势，并对可能出现的以及影响道路状