基于深度学习的短时交通流预测罗向龙.pdfVIP

34 1 Vol. 34 No. 1 第 卷第 期 计 算 机 应 用 研 究 2017 1 Application Ｒesearch of Computers Jan． 2017 年 月 基于深度学习的短时交通流预测*  ， ， ， 罗向龙 焦琴琴 牛力瑶 孙壮文 ( ， 7 10064) 长安大学信息工程学院 西安 : ， 摘 要 针对现有预测方法未能充分揭示交通流内部的本质规律 提出了一种基于深度学习的短时交通流预测 。 (DBN) (SVＲ) ， 方法 该方法结合深度信念网路模型 与支持向量回归分类器 作为预测模型 利用差分去除交通流 ， ， 。 数据的趋势向 用深度信念网络模型进行交通流特征学习 在网络顶层连接支持向量回归模型进行流量预测 ， ， 实际交通流数据测试结果表明 提出的预测模型与传统预测模型相比具有更高的预测精度 预测性能提高了 18． 01% ， 。 是一种有效的交通流预测方法 : ; ; ; 关键词 交通流预测 深度学习 短时交通流 支持向量回归 中图分类号:TP181 文献标志码:A 文章编号:1001-3695 (2017)01-0091-03 doi :10 ． 3969 /j ． issn． 1001-3695． 2017 ． 01． 018 Short-term traffic flow prediction based on deep learning Luo Xianglong ，Jiao Qinqin ，Niu Liyao ，Sun Zhuangwen (School of Inf ormation Engineering ，Chang ’an University ，Xi ’an 7 10064 ，China) Abstract :In view of the existing prediction methods fail to fully reveal the nature of the traffic flow ，this paper proposed a short-term traffic flow prediction model based on deep learning． The method combined the deep belief network (DBN)model and support vector regression (SVＲ)classifier