典型文献
基于Attention?LSTM神经网络的公交行程时间预测
文献摘要：
传统的公交行程时间预测模型由于忽略了历史时刻中的信息,导致预测精度不理想.针对公交行程时间的时序性,提出一种基于LSTM神经网络的预测模型,并引入注意力(Attention)机制对其进行优化.首先,综合考虑多种影响因素,设计了多变量LSTM模块,将当前时刻的行程时间与历史时刻数据相关联,对其中的多维度特征进行信息提取;随后针对单一LSTM网络无法自动识别不同信息重要性的局限性,引入Attention机制,使模型聚焦重点信息、忽略冗杂信息;最后,采用实际公交GPS数据验证了该方法的有效性.实验结果表明,与五种常见方法相比,该模型具有更高的精度.
文献关键词：
智能交通;公交行程时间预测;LSTM神经网络;Attention机制;公交GPS数据;深度学习;循环神经网络
中图分类号：
作者姓名：
徐丸絮;沈吟东
作者机构：
华中科技大学 人工智能与自动化学院,湖北 武汉 430074
文献出处：
引用格式：
[1]徐丸絮;沈吟东-.基于Attention?LSTM神经网络的公交行程时间预测)[J].现代电子技术,2022(03):83-87
A类：
公交行程时间预测
B类：
Attention,时间预测模型,时序性,多变量,相关联,多维度特征,信息提取,自动识别,冗杂,GPS,数据验证,常见方法,智能交通,循环神经网络
AB值：
0.180532
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。
