检索结果-维普期刊中文期刊服务平台

基于数据融合的高速公路短时交通量预测模型被引量：8: 1; 作者李松江弓晋霞 +1 位作者丁岩王鹏《计算机工程与设计》北大核心 2018年第10期3208-3213,共6页; 根据高速公路交通量的时空特性,提出基于数据融合的高速公路短时交通量预测模型。对交通量时间序列性、周期相似性和空间序列性3个时空特性的状态向量进行定义,以BP神经网络预测模型为基础,结合自适应加权数据融合算法对时空特性预测值... 展开更多; 关键词高速公路数据融合神经网络时空特性短时交通量预测; 在线阅读下载PDF 职称材料

基于深度学习的短时交通量预测研究综述被引量：13: 2; 作者代亮梅洋 +2 位作者钱超孟芸吕金明《计算机科学》 CSCD 北大核心 2019年第3期39-47,共9页; 短时交通量预测是智能交通领域的研究热点,对交通控制与管理具有重要的意义。传统的交通量预测方法难以准确地描述交通量数据内部的本质特征,而深度学习通过其深层结构,能够学习到交通量数据内部复杂的多因素耦合结构,进而对交通量做出... 展开更多; 关键词短时交通量预测交通控制与管理深度学习生成型深度结构判别型深度结构; 在线阅读下载PDF 职称材料

基于改进GRU模型的高速公路短时交通量预测被引量：7: 3; 作者温惠英元昱青赵胜《广西大学学报（自然科学版）》 CAS 北大核心 2023年第2期459-468,共10页; 为了提高短时交通流的预测精度,采用灰狼算法(grey wolf optimizer,GWO)优化门控循环单元(gate recurrent unit,GRU)神经网络参数,构建基于超参数自适应寻优的高速公路短时交通流量预测模型,提取交通流的时变特征,准确预测短时交通流量... 展开更多; 关键词高速公路短时交通量预测灰狼算法超参数自适应优化门控循环单元神经网络; 在线阅读下载PDF 职称材料

利用时变经验模态分解的主干道短时交通量预测被引量：12: 4; 作者赵磊娜王延鹏 +2 位作者邵毅明李淑庆温欣雨《重庆交通大学学报（自然科学版）》 CAS CSCD 北大核心 2022年第3期37-44,共8页; 为描述短时交通量数据中隐藏的非线性与非平稳特性,提高短时交通量的预测精度,进而更好地构建智能交通平台,提出了一种基于时变滤波经验模态分解(TVF-EMD)与最小二乘支持向量机(LSSVM)的混合预测模型,即TVF-EMD-LSSVM模型。其中:TVF-EM... 展开更多; 关键词交通工程短时交通量预测时变滤波经验模态分解最小二乘支持向量机时间序列; 在线阅读下载PDF 职称材料

时空因素影响下在线短时交通量预测被引量：14: 5; 作者李林超何赏璐张健《交通运输系统工程与信息》 EI CSCD 北大核心 2016年第5期165-171,共7页; 考虑交通流的时空因素进行短时交通流预测,能够提高预测的精度.为此,引入径向基核函数,将复杂的预测问题转化为高维空间的回归问题;然后,基于支持向量回归机并考虑时空因素影响作用建立在线的短时交通量预测模型,通过网格搜索的方法对... 展开更多; 关键词智能交通短时交通量预测支持向量回归时空因素状态向量; 在线阅读下载PDF 职称材料

题名基于数据融合的高速公路短时交通量预测模型被引量：8: 1; 作者李松江弓晋霞丁岩王鹏; 机构长春理工大学计算机科学技术学院; 出处《计算机工程与设计》北大核心 2018年第10期3208-3213,共6页; 基金吉林省省级产业创新专项资金基金项目(2016C090); 文摘根据高速公路交通量的时空特性,提出基于数据融合的高速公路短时交通量预测模型。对交通量时间序列性、周期相似性和空间序列性3个时空特性的状态向量进行定义,以BP神经网络预测模型为基础,结合自适应加权数据融合算法对时空特性预测值进行融合,构建交通量预测模型。通过计算相关性对时空特性进行分析,选取相关性较高的数据样本作为模型输入。实验结果表明,工作日和休息日高速公路交通量预测平均绝对误差百分比均在5%以内,与单变量预测模型相比具有更好的预测准确度和实用性,为智能交通管理系统提供数据支持。; 关键词高速公路数据融合神经网络时空特性短时交通量预测; Keywords freeway data fusion neural network spatio-temporal characteristics short-term traffic flow forecasting; 分类号 TP183 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名基于深度学习的短时交通量预测研究综述被引量：13: 2; 作者代亮梅洋钱超孟芸吕金明; 机构长安大学电子与控制工程学院 IBM中国系统与科技开发中心; 出处《计算机科学》 CSCD 北大核心 2019年第3期39-47,共9页; 基金国家自然科学基金(61701044) 中国博士后特别资助项目(2015T80998) +2 种基金陕西省自然科学基金(2016JQ6067) IBM公司合作项目(SOWCHD201610)资助; 文摘短时交通量预测是智能交通领域的研究热点,对交通控制与管理具有重要的意义。传统的交通量预测方法难以准确地描述交通量数据内部的本质特征,而深度学习通过其深层结构,能够学习到交通量数据内部复杂的多因素耦合结构,进而对交通量做出更精准的预测,这也使得深度学习成为当前短时交通量预测领域的研究热点。文中首先介绍了传统交通量预测方法和深度学习的研究现状;然后按照生成型和判别型深度结构对现有基于深度学习的短时交通量预测方法进行分类,并总结了深度学习在短时交通量预测研究领域的主要方法,对其性能进行了对比研究;最后对深度学习在短时交通量预测领域存在的问题和发展趋势进行了探讨。; 关键词短时交通量预测交通控制与管理深度学习生成型深度结构判别型深度结构; Keywords Short-term traffic flow forecasting Traffic control and management Deep learning Generative deep architecture Discriminative deep architecture; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于改进GRU模型的高速公路短时交通量预测被引量：7: 3; 作者温惠英元昱青赵胜; 机构华南理工大学土木与交通学院; 出处《广西大学学报（自然科学版）》 CAS 北大核心 2023年第2期459-468,共10页; 基金国家自然科学基金项目(52172345); 文摘为了提高短时交通流的预测精度,采用灰狼算法(grey wolf optimizer,GWO)优化门控循环单元(gate recurrent unit,GRU)神经网络参数,构建基于超参数自适应寻优的高速公路短时交通流量预测模型,提取交通流的时变特征,准确预测短时交通流量。选取高速公路出口匝道交通数据作为实验数据输入,基于TensorFlow为后端的Keras完成GWO-GRU模型框架的搭建,并与支持向量回归算法(support vector regression,SVR)、K近邻算法(k-nearest neighbor,KNN)、长短期记忆神经网络(long-short term memory,LSTM)、门控循环单元(GRU)模型进行对比分析。实验结果表明,在3种不同时间间隔的高速公路匝道交通数据集的预测中,改进后的GRU模型具有较好的预测性能,其平均绝对误差(mean absolute error,MAE)比次优模型分别减小了9.22%、8.54%、8.03%。; 关键词高速公路短时交通量预测灰狼算法超参数自适应优化门控循环单元神经网络; Keywords highway short-term traffic flow prediction grey wolf optimizer(GWO) hyperparameter adaptive optimization gate recurrent unit network(GRU); 分类号 U491.31 [交通运输工程—交通运输规划与管理]; 在线阅读下载PDF 职称材料

题名利用时变经验模态分解的主干道短时交通量预测被引量：12: 4; 作者赵磊娜王延鹏邵毅明李淑庆温欣雨; 机构重庆交通大学数学与统计学院重庆交通大学交通运输学院; 出处《重庆交通大学学报（自然科学版）》 CAS CSCD 北大核心 2022年第3期37-44,共8页; 基金国家重点研发计划项目(2018YFB1601000,2018YFB601001) 重庆市自然科学基金项目(cstc2018jcyjAX0288)。; 文摘为描述短时交通量数据中隐藏的非线性与非平稳特性,提高短时交通量的预测精度,进而更好地构建智能交通平台,提出了一种基于时变滤波经验模态分解(TVF-EMD)与最小二乘支持向量机(LSSVM)的混合预测模型,即TVF-EMD-LSSVM模型。其中:TVF-EMD方法主要用来降低数据中暗含的非平稳性对预测结果影响;LSSVM模型是为了描摹数据中包含的非线性信息演化趋势。研究结果表明:相比经验模态分解(EMD)方法而言,TVF-EMD方法的分解结果更加适合交通流预测;该分解技术与LSSVM模型的结合可提供更好的预测结果,相比LSSVM模型而言,其平均绝对误差、平均相对百分比误差、均方根误差和均方根相对误差分别降低了9.186、18.947%、13.591、0.316%,且均等系数提高了0.0821。; 关键词交通工程短时交通量预测时变滤波经验模态分解最小二乘支持向量机时间序列; Keywords traffic engineering short-term traffic volume prediction TVF-EMD LSSVM time series; 分类号 U491 [交通运输工程—交通运输规划与管理]; 在线阅读下载PDF 职称材料

题名时空因素影响下在线短时交通量预测被引量：14: 5; 作者李林超何赏璐张健; 机构东南大学江苏省城市智能交通重点实验室东南大学江苏省现代城市交通技术协同创新中心东南大学江苏省物联网技术与应用协同创新中心东南大学物联网交通应用研究中心; 出处《交通运输系统工程与信息》 EI CSCD 北大核心 2016年第5期165-171,共7页; 基金国家重点基础研究发展计划(973计划)(2012CB725405) 交通运输部科技示范工程(2015364X16030 2014364223150)~~; 文摘考虑交通流的时空因素进行短时交通流预测,能够提高预测的精度.为此,引入径向基核函数,将复杂的预测问题转化为高维空间的回归问题;然后,基于支持向量回归机并考虑时空因素影响作用建立在线的短时交通量预测模型,通过网格搜索的方法对模型参数进行优化;最后,构造时间—空间状态向量,通过不同的状态向量对时间和空间维度的影响进行了分析.利用高速公路检测器数据,对比不同模型的精度,对在线短时交通量预测模型的有效性和可行性进行了验证.结果表明:在线模型精度优于传统的支持向量回归模型,考虑时空因素影响后交通量预测模型具有更高的精度和稳定性.; 关键词智能交通短时交通量预测支持向量回归时空因素状态向量; Keywords intelligent transportation short-term traffic flow forecasting support vector regression temporal-spatial features state vector; 分类号 U491.2 [交通运输工程—交通运输规划与管理]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于数据融合的高速公路短时交通量预测模型	李松江弓晋霞丁岩王鹏	《计算机工程与设计》北大核心	2018	8	在线阅读下载PDF 职称材料
2	基于深度学习的短时交通量预测研究综述	代亮梅洋钱超孟芸吕金明	《计算机科学》 CSCD 北大核心	2019	13	在线阅读下载PDF 职称材料
3	基于改进GRU模型的高速公路短时交通量预测	温惠英元昱青赵胜	《广西大学学报（自然科学版）》 CAS 北大核心	2023	7	在线阅读下载PDF 职称材料
4	利用时变经验模态分解的主干道短时交通量预测	赵磊娜王延鹏邵毅明李淑庆温欣雨	《重庆交通大学学报（自然科学版）》 CAS CSCD 北大核心	2022	12	在线阅读下载PDF 职称材料
5	时空因素影响下在线短时交通量预测	李林超何赏璐张健	《交通运输系统工程与信息》 EI CSCD 北大核心	2016	14	在线阅读下载PDF 职称材料