典型文献
精细化短时交通流预测模型及迁移部署方案
文献摘要：
精细化短时交通流预测是保证智能交通系统(ITS)合理决策的前提.为了建立无人驾驶汽车换道模型、预测车辆轨迹、引导车辆出行,及时为每条车道预测车流量成为亟须解决的问题,然而精细化短时交通流预测面临着以下挑战:一是交通流数据日益多元化,传统预测方法难以满足ITS高精度、短时延的要求;二是为每条车道训练预测模型会造成大量的资源浪费.针对以上问题,提出利用卷积-门控循环单元(Conv-GRU)结合灰色关联度分析法(GRA)建立精细化短时交通流预测模型预测车道流量.考虑到深度学习训练时间长、推理时间相对较短的特点,提出云-雾部署方案;同时,为避免为每条车道训练预测模型,在云-雾部署方案的基础上提出了模型迁移部署方案,该方案仅需训练部分车道的预测模型,然后通过GRA将训练好的预测模型迁移部署到关联车道进行预测.对真实交通流数据集进行大量对比实验的结果表明:与传统深度学习预测方法相比,所提模型拥有更精准的预测性能,与卷积-长短期记忆(Conv-LSTM)网络相比在提高精度的基础上运行时间更短,且能在保证高精度预测的情况下实现模型迁移,比训练每条车道的预测模型节省了约49％的训练时间.
文献关键词：
精细化短时交通流预测;卷积-门控循环单元;灰色关联度分析法;时空特征;部署方案
中图分类号：
作者姓名：
郭嘉宸;杨宇燊;王研;毛仕龙;孙丽珺
作者机构：
青岛科技大学信息科学技术学院,山东青岛266061
文献出处：
引用格式：
[1]郭嘉宸;杨宇燊;王研;毛仕龙;孙丽珺-.精细化短时交通流预测模型及迁移部署方案)[J].计算机应用,2022(06):1748-1755
A类：
精细化短时交通流预测
B类：
部署方案,智能交通系统,ITS,合理决策,无人驾驶汽车,换道模型,车辆轨迹,车道,车流量,流数据,传统预测,时延,资源浪费,门控循环单元,Conv,GRU,灰色关联度分析法,GRA,学习训练,训练时间,推理时间,出云,模型迁移,训练部,分车,练好,实交,预测性能,长短期记忆,提高精度,运行时间,精度预测,时空特征
AB值：
0.234056
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。
