典型文献
基于混合多模态深度学习框架的交通量预测
文献摘要：
交通流预测一直是智能交通研究的一个关键问题,其受交通量速度、行程时间、密度、天气和事故等影响.对于交通量预测算法,以往的研究主要集中在时间序列预测、时空模式挖掘和预测算法理论三个方面.本文通过构建一个带有注意力机制的多模态深度学习框架,自适应地学习多模态交通数据的时空相关性和长时间相互依赖性.针对多模态交通数据高度非线性的特点,由卷积神经网络捕捉交通流局部趋势特征,门控循环单元捕捉长时间依赖关系,并通过多个CNN-GRU注意模块融合不同形态交通数据的共享来表示特征.实验结果表明,所提出的多模态深度学习模型能够处理复杂非线性城市交通流预测问题,其精度和有效性令人满意.
文献关键词：
多模态深度学习;CNN;GRU;交通量预测
中图分类号：
作者姓名：
吴文平;高铭悦
作者机构：
宿州学院 信息工程学院, 安徽 宿州 234000
文献出处：
引用格式：
[1]吴文平;高铭悦-.基于混合多模态深度学习框架的交通量预测)[J].北部湾大学学报,2022(02):12-17
A类：
B类：
多模态深度学习,深度学习框架,交通量预测,交通流预测,智能交通,行程时间,预测算法,时间序列预测,时空模式挖掘,法理论,注意力机制,地学,交通数据,时空相关性,相互依赖性,高度非线性,趋势特征,门控循环单元,时间依赖,依赖关系,GRU,注意模块,模块融合,不同形态,深度学习模型,城市交通,令人满意
AB值：
0.311658
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。
