典型文献
基于Transformer-ESIM的高速公路交通状态识别模型
文献摘要：
为提升高速公路运行效率,提出一种考虑多元交通流参数影响差异性的状态识别方法,以流量、速度及占有率等参数为输入,建立基于"Transformer"和"序列增强模型"的高速公路交通状态识别模型.其中利用Transformer的多头注意力机制和前馈神经网络自适应提取多元交通流参数特征并给予合适权重,利用序列增强模型强化参数间相似性和差异性以实现有效融合;输入融合数据到分类器实现状态识别.采用交叉熵函数为损失函数对模型进行迭代训练以更新参数.利用实际交通流数据验证模型有效性,实验结果表明:对比模糊聚类法、BP神经网络法、支持向量机法和不考虑参数融合的Transformer法,该方法充分利用了多元参数间影响差异性,实现了特征参数的有效融合,状态识别精准度最高,能满足工程实际需要.
文献关键词：
公路运输;高速公路交通状态识别;交通流参数影响差异性;Transformer;序列增强模型
中图分类号：
作者姓名：
薛相全;庞明宝
作者机构：
河北工业大学土木与交通学院,天津 300401
文献出处：
引用格式：
[1]薛相全;庞明宝-.基于Transformer-ESIM的高速公路交通状态识别模型)[J].物流科技,2022(17):71-75
A类：
高速公路交通状态识别,多元交通流,交通流参数影响差异性,序列增强模型
B类：
Transformer,ESIM,识别模型,占有率,多头注意力机制,前馈神经网络,网络自适应,自适应提取,参数特征,强化参数,数间,有效融合,融合数据,分类器,交叉熵函数,损失函数,迭代训练,流数据,数据验证,验证模型,模型有效性,模糊聚类法,神经网络法,支持向量机法,参数融合,多元参数,工程实际,公路运输
AB值：
0.22813
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。
