典型文献
基于卷积神经网络及长短时记忆网络的短时船舶交通流量预测
文献摘要：
由于船舶交通流具有非线性和复杂性的特征,传统交通流量预测方法的预测结果精度普遍不高,且需大量历史数据进行训练.在考虑船舶交通流数据时间特性的基础上增加了对数据空间特性的考虑,提出一种基于卷积神经网络(Convolutional Neural Networks,CNN)和长短时记忆网络(Long Short-Term Memory,LSTM)的短时船舶交通流量预测模型,并引入动态时间规整(Dynamic Time Warping,DTW)算法构造损失函数,提升模型的预测精度.结果表明:通过与灰色模型(Grey Model,GM)、差分整合移动平均自回归模型(Autoregressive Integrated Moving Average Model,ARIMA)、小波神经网络(Wavelet Neural Network,WNN)、反向传播神经网络(Back Propagation Neural Network,BPNN)和CNN-LSTM等模型对比,所提出的CNN-LSTM-DTW预测模型的预测结果相对误差最小,可信度高,预测精度优于对比模型.
文献关键词：
船舶交通流量;卷积神经网络;长短时记忆网络;动态时间规整法;组合预测
中图分类号：
作者姓名：
刘敬贤;高广旭;刘奕;李宗志
作者机构：
武汉理工大学 航运学院,武汉430063;武汉理工大学 内河航运技术湖北省重点实验室,武汉430063;武汉理工大学 国家水运安全工程技术研究中心,武汉430063;伊利诺伊理工大学,美国芝加哥 IL 60616
文献出处：
引用格式：
[1]刘敬贤;高广旭;刘奕;李宗志-.基于卷积神经网络及长短时记忆网络的短时船舶交通流量预测)[J].中国航海,2022(02):56-61,68
A类：
B类：
长短时记忆网络,船舶交通流量预测,历史数据,流数据,时间特性,数据空间,空间特性,Convolutional,Neural,Networks,Long,Short,Term,Memory,交通流量预测模型,Dynamic,Time,Warping,DTW,损失函数,灰色模型,Grey,Model,GM,差分整合移动平均自回归模型,Autoregressive,Integrated,Moving,Average,ARIMA,小波神经网络,Wavelet,WNN,反向传播神经网络,Back,Propagation,BPNN,模型对比,可信度,对比模型,动态时间规整法,组合预测
AB值：
0.308891
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
