- 博客(3)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 论文阅读3--《一种时空周期性注意力网络的交通流量预测模型》
一、问题的提出交通网络受各类因素影响，不同时段、不同道路的交通流间相互关联、彼此作用，且显示出不确定性和复杂性。二、交通流预测的相关工作1.基于数据驱动的城市路网短期交通流预测模型。该模型先将时间序列划分为趋势序列和残差序列。对这两个时间序列重构后，进行了基于LSTM-RNN的模型训练和预测。然后将这两个结果组合在一起，产生最后的预测。最后在两个城市道路网对模型进行评价。结果显示，数据处理模型增强了模型的鲁棒性。但LSTM和RNN存在梯度弥散和梯度爆炸问题。2.基于DNN的交通预测模型（DNN-B
2021-09-28 11:09:40
1091
原创 论文阅读2--《融合多因素的短时交通流预测研究》
1.问题的提出现有的交通流预测研究大多为常态下的预测，而未考虑天气、节假日等外部因素的影响。2.交通流预测相关工作（1）传统的短时交通流研究方法：卡尔曼滤波模型、历史平均模型、时间序列模型、非参数回归模型、混沌理论模型等。缺点： 交通流受多种外部因素的影响，交通流数据具有随机性和不确定性，传统的模型普遍存在实时性差、预测精度不高的问题。（2）组合模型的预测：将两种模型的优点结合起来提高短时交通流的预测准确率。a.卷积神经网络+支持回归分类器：提高了准确率但是未充分考虑外部因素对交通流预测的
2021-09-26 16:47:44
1923
1
原创 论文阅读1--《基于长短时记忆网络的Encoder-Decoder多步交通流预测模型》
一、问题的提出（1）近年来大部分交通流预测模型都是针对交通流序列的单步预测建立的，只适用于ITS短期决策问题中，比如说交叉口的信号配时。并不能满足ITS的对于道路拥堵形成时间、路径规划等问题的决策，因此对交通序列做多步预测很有必要。（2）使用单一的神经网络模型对较长的序列进行多步预测时，每一步的预测误差将会随着预测步长的增加而增加，从而使预测得到的序列与原始序列存在较大的偏差二、解决问题（1）针对问题（1），对交通序列做多步预测（2）针对问题二，将自然语言领域表现出色的编码器-解码器（ED）结构应
2021-09-25 19:58:54
542
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人