基于Detroit模型和深度学习的交通流调度方法应用分析

论文摘要

当前交通流调度方法,未考虑车流量的实际输出结果,且算法过于简单,难以得出到最优的调度方案,交通流调度效果差。据此提出基于Detroit模型和深度学习的交通流调度方法,采用基于Detroit模型的交通需求分布预测方法,获得预测年的车辆流;采用以深度信念网络(DBN)和高斯—伯努利GBRBM为基础的深度学习模型,对输入的预测年车辆流进行训练,获取对应道路的实际车辆流输出结果,结合最大最小蚁群算法求出交通流调度最优解,实现交通流的有效调度。实验结果说明,所提方法调度交通流的平均时间为31. 5 s、调度效率最高为99. 8%、最低规划误差仅为5%,说明该方法具有较高的交通流调度精确度和效率,调度性能高。

论文目录

• 0 引言
• 1 基于Detroit模型和深度学习的交通流调度方法应用分析
•   1.1 基于Detroit模型的交通需求分布预测方法
•   1.2 深度学习模型在交通流调度中的应用
•     1.2.1 深度信念网络
•     1.2.2 高斯-伯努利GBRBM
•     1.2.3 深度学习模型
• 2 交通流调度蚁群优化方法
• 3 实验分析
•   3.1 吞吐量分析
•   3.2 离散度和规划误差分析
•   3.3 调度时间和调度效率分析
• 4 结语

文章来源

类型: 期刊论文

作者: 顾洵,李储信

关键词: 模型,深度学习,交通流,调度,深度信念网络,需求分析

来源: 中国电子科学研究院学报 2019年02期

年度: 2019

分类: 信息科技,工程科技Ⅱ辑

专业: 公路与水路运输,自动化技术

单位: 中国人民公安大学交通管理学院

基金: 北京市支持中央在京高校共建项目(201854),北京市支持中央在京高校共建项目(201853),中国公安大学学生科研创新训练计划(201824)

分类号: U491;TP181

页码: 111-117

总页数: 7

文件大小: 694K

下载量: 117