帮助 关于我们

返回检索结果

基于维度加权的残差LSTM 短期交通流量预测
Short Term Traffic Flow Forecasting Based on Dimension Weighted Residual LSTM

查看参考文献15篇

李月龙 1,2   唐德华 1,3,2   姜桂圆 3   肖志涛 4,2   耿磊 4,2   张芳 4,2   吴骏 4,2  
文摘 基于神经网络的交通流量预测由于嵌入了部分手工设计的特征,使得提取的网络特征功能单一,存在适应性及鲁棒性差、数据局部特征刻画不准确等问题。为此,提出基于残差长短期记忆网络(LSTM)的交通流量预测方法,利用集成学习思想将空间分布的数据端到端训练到残差LSTM 网络中,同时在每个LSTM 单元后引入维度加权单元,显式建模特征维度之间的相互依赖关系。实验结果表明,该方法能实现短期交通流量数据的自适应建模分析。
其他语种文摘 Due to the fact that the current neural network-based traffic flow forecasting method embeds part of the manually designed features,the feature extracted by the network has single function,bad adaptability,poor robustness and inaccurate characterization of the local features.Therefore,this paper proposes a traffic flow forecasting method based on residual Long Short Term Memory (LSTM).The model uses the idea of ensemble learning to train the spatially distributed data into a residual LSTM network.In addition,dimension weighted units are introduced after each LSTM unit to present the interdependencies between different dimensions of modeling features.Experimental results show that the method can realize adaptive modeling analysis of short term traffic flow data.
来源 计算机工程 ,2019,45(6):1-5 【扩展库】
DOI 10.19678/j.issn.1000-3428.0052120
关键词 智能交通 ; 短期交通流量预测 ; 残差连接 ; 长短期记忆网络 ; 维度加权
地址

1. 天津工业大学计算机科学与技术学院, 天津, 300387  

2. 天津市光电检测技术与系统重点实验室, 天津市光电检测技术与系统重点实验室, 天津, 300387  

3. 南洋理工大学计算机科学与工程学院, 新加坡, 新加坡, 639798  

4. 天津工业大学电子与信息工程学院, 天津, 300387

语种 中文
文献类型 研究性论文
ISSN 1000-3428
学科 自动化技术、计算机技术
基金 国家自然科学基金 ;  天津市自然科学基金
文献收藏号 CSCD:6513194

参考文献 共 15 共1页

1.  Huang Wenhao. Deep architecture for traffic flow prediction: deep belief networks with multitask learning. IEEE Transactions on Intelligent Transportation Systems,2014,15(5):2191-2201 被引 30    
2.  贾显超. 基于混沌理论的短期交通流量多步预测. 交通信息与安全,2013,31(6):27-32 被引 2    
3.  曹政才. 面向城市交通网络的一种新型动态路径寻优方法. 电子学报,2012,40(10):2062-2067 被引 8    
4.  韩志聪. 基于GA- SVR模型的短期交通流量预测方法研究. 公路交通科技,2017,34(1):130-136 被引 6    
5.  Du Shengdong. Traffic flow forecasting based on hybrid deep learning framework. Proceedings of International Conference on Intelligent Systems and Knowledge Engineering,2018:1-6 被引 1    
6.  Jeong Y S. Supervised weighting-online learning algorithm for short-term traffic flow prediction. IEEE Transactions on Intelligent Transportation Systems,2013,14(4):1700-1707 被引 15    
7.  Zhao Zheng. LSTM network: a deep learning approach for short-term traffic forecast. IET Intelligent Transport Systems,2017,11(2):68-75 被引 80    
8.  Lu Yisheng. Traffic flow prediction with big data: a deep learning approach. IEEE Transactions on Intelligent Transportation Systems,2015,16(2):865-873 被引 11    
9.  Ma Xiaolei. Large-scale transportation network congestion evolution prediction using deep learning theory. PLoS One,2015,10(3):1-17 被引 3    
10.  Prakash A. Neural paraphrase generation with stacked residual LSTM networks,2018 被引 1    
11.  . Live traffic information from highways England,2015 被引 1    
12.  Peng Zhenrui. Traffic forecasting using least squares support vector machines. Transportmetrica,2009,5(3):193-213 被引 1    
13.  Zhang Yanru. A gradient boosting method to improve travel time prediction. Transportation Research Part C: Emerging Technologies,2015,58:308-324 被引 1    
14.  Lingras P. Prediction of recreational travel using genetically designed regression and time-delay neural network models,2018 被引 1    
15.  Duan Yanjie. Travel time prediction with LSTM neural network. Proceedings of the 19th International Conference on Intelligent Transportation Systems,2016:1053-1058 被引 2    
引证文献 7

1 闫杨 基于时空相关性的短时交通流量预测方法 计算机工程,2020,46(1):31-37
被引 5

2 荣斌 基于时空多图卷积网络的交通站点流量预测 计算机工程,2020,46(5):26-33
被引 2

显示所有7篇文献

论文科学数据集
PlumX Metrics
相关文献

 作者相关
 关键词相关
 参考文献相关

版权所有 ©2008 中国科学院文献情报中心 制作维护:中国科学院文献情报中心
地址:北京中关村北四环西路33号 邮政编码:100190 联系电话:(010)82627496 E-mail:cscd@mail.las.ac.cn 京ICP备05002861号-4 | 京公网安备11010802043238号