-
题名基于深度学习的城市主干道路交通拥堵水平预测
被引量：1
- 1
-
-
作者
吕庆礼
-
机构
南京长江都市建筑设计股份有限公司
-
出处
《微型电脑应用》
2024年第7期238-241,共4页
-
文摘
为了解决城市主干道路交通拥堵问题,提出一种基于深度学习的城市主干道路交通拥堵水平预测方法。建立城市主干道路交通网络的Katz相似度矩阵,保存路网的结构特征,获得城市主干道路交通流数据。采用局部敏感判别分析模型,将交通流数据映射到低维流形,获得最优投影矩阵,提取城市主干道路交通特征。结合循环神经网络模型(RNN)和长短时记忆网络模型(LSTM),设计长短时记忆循环网络(RNN-LSTM)模型,解决梯度消失问题,输入城市主干道路交通特征,经过训练输出城市主干道路交通拥堵水平预测结果。实验结果表明,所提方法预测准确度在0.8~0.98,预测所需时间平均为24.74 ms,具有一定的应用价值。
-
关键词
深度学习
城市主干道路
长短时记忆循环神经网络模型
Katz相似度矩阵
交通拥堵水平预测
-
Keywords
deep learning
urban main roads
recurrent neural network model for long short-term memory
Katz similarity matrix
prediction of traffic congestion level
-
分类号
TP391.90
[自动化与计算机技术—计算机应用技术]
-
