基于cnn-svr混合深度学习模型的短时交通流预测

《基于cnn-svr混合深度学习模型的短时交通流预测》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、基于CNN-SVR混合深度学习模型的短时交通流预测罗文慧董宝田王泽胜北京交通大学交通运输学院精准且快速的短时交通流预测是智能交通发展的重要组成部分.本文针对当前交通流预测模型不能充分提取交通流数据的时空特征、预测性能容易受到外界下扰因素影响的问题，提出一种基于深度学习的短时交通流预测模型，该模型结合卷积神经网络(ConvolutionalNeuralNetwork,CNN)与支持向量In］归分炎器(SupportVectorRegression,SVR)的特点：在网络底层应用CNN进行交通流特征提取，并将提取结果输入到SVR回归模型屮进行流量预测.为验证模型的有效性，取G103

2、国道的实际交通流量数据进行试验.结果表明，提出的预测模型与传统的预测模型相比具有更高的预测精度，预测性能提高了11%，是一种有效的交通流预测模型.关键词：智能交通;交通流预测;卷积神经网络;交通流;支持向量回归;深度学习；罗文慧（1983-）,女，新疆乌鲁木齐人，生.董宝田，btdong@bjtu.edu.Short-termTrafficFlowPredictionBasedonCNN-SVRHybridDeepLearningModelLUOWen-huiDONGBao-tianWANGZe-shengSchoolofTrafficandTransportatiorKBei

3、jingJiaotongUniversity;Abstract：Itisveryimportantforintelligenttransportationdevelopmenttorealizeaccurateandfasttrafficforecast.However,dominantmodelsforshort-termtrafficflowforecastingcan’textractspatial-temporalcharacteristicsoftrafficflowdataamply.Moreover,thesemodelsaresusceptibletooutsi

4、defactors.Toresolvetheseproblems,aninnovativemodelbasedondeeplearningisproposedinthispaper.ConvolutionalNeuralNetwork(CNN)andSupportVectorRegression(SVR)classifierarecombinedinthismodel:featurelearningoftrafficflowiscarriedoutbyusingCNNinunderlyingnetwork,thentheextractedresultsaretransmitte

5、dtoSVRmodelasinputtopredicttrafficflow.Toverifythevalidityoftheproposedmodel,experimentsareconductedonactualtrafficflowdataofChinanationalhighway103(G103).Experimentalresultsshowthattheproposedmodelhashigherpredictionaccuracythanthetraditionalpredictionmodel,andthepredictionperformanceisimpr

6、ovedby11%，whichisaneffectivetrafficflowforecastingmodel-Keyword：intelligenttransportation;trafficflowprediction;convolutionalneuralnetwork;trafficflow;supportvectorregression;deeplearning;0引言实现对未来交通状态快速和精准的判断是智能交通控制与诱导、道路网络规划的基础.短时交通流预测作为国内外智能交通系统的研宄热点，30多年来取得了丰富研究成果，主要括基于时间序列的统计模型、非参数预测模型和混

7、合模型等.随着大数据吋代的到来，深度学近几年来发展迅速，交通科学研宄者也将深度学习理论应用于解决交通问题JluangW.等U1提出由DBN和顶部多任务回归层的深度学习模型;lvy.等m应用自动编码器深层架构模型预测交通流特征;YangH.F.等［3］捉出新型Levenberg-Marquardt堆叠自编码器深度学习模型，应用Taguchi方法优化结构，逐层提取特征并无监督学习交通流特征;WuY.等［4］用一维卷积网络捕获交通流空间特征，用两个长期短吋记忆法挖掘交通流短吋周期性，设计特征级融合