其中,Pamula等人[2]基于神经网络在城市交通管理系统中的应用,提出了一种基于神经网络的交通流量预测方法。Bucur等人[3]建议使用自适应模糊神经网络[4-9]进行交通预测,提出一种可以跟踪由于天气条件、季节或其他因素造成的概率分布漂移的架构。文献[10]构建了实时交通流量模型,构建模型时将自回归滑动平均模型与支持向量回...
文档介绍:针对城市交通流量强随机性的问题,为克服非线性和时变特点的影响,提出了基于粒子群(PSO)优化双向长短时记忆网络(Bi-LSTM)的交通流量预测模型,达到城市交通流量高精度预测效果。首先,建立基于Bi-LSTM的交通流量短期预测模型;其次,采用粒子群PSO算法对Bi-LSTM模型的超参数进行寻优,提升预测模型的泛化性。通过...
基于CNN-LSTM-PSO的交通流量预测 ① 佘占峰* (南京邮电大学计算机学院 江苏南京 210000)摘 要：伴随着经济的发展，城市内交通流量迅速增长，从而导致城市内交通道路拥堵问题日益严峻。为了缓解道路拥堵压力，该文提出了一种基于CNN-LSTM-PSO的深度学习短期交通流预测框架，该框架结合CNN （Convolutional Neural ...
首先,建立基于Bi-LSTM的交通流量短期预测模型;其次,采用粒子群PSO算法对Bi-LSTM模型的超参数进行寻优,提升预测模型的泛化性。通过对比实验分析,验证了该交通流量预测模型具有更优的性能。 【总页数】6页(P68-73) 【作者】樊冲 【作者单位】锦州市大数据中心 【正文语种】中文 【中图分类】TP393;U491 【相关文献...
这种算法可以应用于各种时间序列预测问题，如股票价格预测、气象预测、交通流量预测等。10.「优势和挑战」...
53、本发明还包括一种基于pso-lstm神经网络的交通信号相位自适应调整系统,其采用如前述的基于pso-lstm神经网络的交通信号相位自适应调整方法,根据实时采集到的交通特征时间序列的数据,预测当前路口各相位未来的等待车辆数,并对各相位的绿灯时长进行自适应调整。
摘要:针对城市交通流量强随机性的问题,为克服非线性和时变特点的影响,提出了基于粒子群(PSO)优化双向长短时记忆网络(Bi-LSTM)的交通流量预测模型,达到城市交通流量高精度预测效果。首先,建立基于Bi-LSTM的交通流量短期预测模型;其次,采用粒子群PSO算法对Bi-LSTM模型的超参数进行寻优,提升预测模型的泛化性。通过对比实...
为克服非线性和时变特点的影响,提出了基于粒子群(PSO)优化双向长短时记忆网络(Bi-LSTM)的交通流量预测模型,达到城市交通流量高精度预测效果.首先,建立基于Bi-LSTM的交通流量短期预测模型;其次,采用粒子群PSO算法对Bi-LSTM模型的超参数进行寻优,提升预测模型的泛化性.通过对比实验分析,验证了该交通流量预测模型具有更...