资料下载
×
一种用于交通流预测的深度学习框架
消耗积分:0 |
格式:pdf |
大小:1.68 MB |
2021-04-14
分享资料个
交通流预测作为智能交通系统的一个关键问题，是国内外交通领域的硏究热点。交通流预测的主要挑战在于交通流数据本身具有复杂的时空关联，且易受各种社会事件的影响。针对这些挑战，提出一种用于交通流预测的深度学习框架。一方面，针对道路网络非欧氏的空间关联以及交通流时序数据的时间关联，设计了一种融合图卷积神经网络和循环神经网络的特征抽取子网络;另一方面，针对社会事件对交通流的潜在影响，设计了一种基于卷积神经网络的社会事件特征抽取子网络。最后融合时空关联特征抽取子网络和社会事件特征抽取子网络，实现交通流预测模型。为了验证模型的有效性，文中基于真实交通流数据进行了实验。结果表明，所提模型与传统的预测模型相比具有较髙的准确度，准确度提髙了3%~6%。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
评论(0)
发评论
- 相关下载
- 相关文章
