论文摘要
随着物联网、云计算和大数据在智能交通领域的普及应用,传统的以道路断面为研究对象的预测方法已经无法满足智能网联技术发展的需求.本文以车道断面为研究对象,提出一种基于组合深度学习(Combined Deep Learning,CDL)的城市快速路车道级速度预测模型.该模型利用基于信息熵的灰色关联分析提取空间特征变量,采用长短期记忆神经网络提取空间特征变量的时间特征,并利用门限递归单元神经网络得到预测结果.通过北京市东二环路车道断面实测微波数据验证发现,提取车道交通流的时空特征,CDL模型能够很好地拟合不同车道不同时段的速度变化趋势,可有效地实现车道速度的单步及多步预测,且该模型的预测精度和稳定性均优于传统预测模型.
论文目录
文章来源
类型: 期刊论文
作者: 谷远利,陆文琦,李萌,王硕,邵壮壮
关键词: 城市交通,速度预测,深度学习,交通流,时空特征
来源: 交通运输系统工程与信息 2019年04期
年度: 2019
分类: 工程科技Ⅱ辑,信息科技
专业: 公路与水路运输,计算机软件及计算机应用
单位: 北京交通大学综合交通运输大数据应用技术交通运输行业重点实验室,东南大学交通学院
基金: 国家自然科学基金(41771478),北京市科技计划项目(Z121100000312101)~~
分类号: U495
DOI: 10.16097/j.cnki.1009-6744.2019.04.012
页码: 79-86
总页数: 8
文件大小: 2177K
下载量: 396