典型文献
基于深度学习的短时交通流预测模型
文献摘要：
交通流预测在智能交通领域有着重要的现实意义.由于交通流数据受多种因素影响,平稳性差、随机性强,呈现出高度非线性的特征,使得交通流预测极为困难.针对短时交通流预测准确性的要求,本文提出一种基于互补集成经验模态分解(Complete Ensemble Empirical Mode Decomposition,CEEMD),并结合卷积神经网络(Convolutional Neural Networks,CNN)和长短期记忆网络(Long Short-Term Memory,LSTM)的短时交通流预测方法.模型通过CEEMD信号分解减少噪声对交通流数据预测的影响,采用CNN、LSTM充分挖掘数据的时空特征,使得模型做出更加准确的判断,从而提高神经网络的学习效率.在真实交通流数据上进行实验验证,结果表明,本文提出的模型可以有效提高交通流预测的准确性.
文献关键词：
短时交通流预测;互补集成经验模态分解;卷积神经网络;长短期记忆网络;学习效率
中图分类号：
作者姓名：
张龄允;韩莹;张凯;卢海鹏;丁昱杰
作者机构：
南京信息工程大学自动化学院,江苏 南京 210044
文献出处：
引用格式：
[1]张龄允;韩莹;张凯;卢海鹏;丁昱杰-.基于深度学习的短时交通流预测模型)[J].计算机与现代化,2022(07):54-60
A类：
B类：
短时交通流预测,智能交通,交通领域,流数据,平稳性,随机性,高度非线性,预测准确性,互补集成经验模态分解,Complete,Ensemble,Empirical,Mode,Decomposition,CEEMD,Convolutional,Neural,Networks,长短期记忆网络,Long,Short,Term,Memory,信号分解,数据预测,时空特征,高神,学习效率,实交
AB值：
0.260362
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。
