针对智能交通系统中的实时交通流量预测问题,传统的时间卷积网络虽然能够通过扩张卷积技术捕捉时间序列数据中的长期依赖关系,但其在处理任意长度的流量序列时存在局限性.为解决这一问题,笔者采用连续函数表示卷积核,并通过多层感知网络进行参数化,从而扩展了模型的感受野,使其能够并行处理任意长度的交通流量序列,而不依赖于递归结构.此外,该模型还综合考虑了交通流的内在特性和外部环境因素,通过数据预处理进行特征提取和选择,构建了适用于短时交通流量预测的模型.基于真实世界交通流量数据集上的实验结果表明,所提出的连续时间卷积网络模型在预测精度上显著优于传统时间卷积网络,平均绝对误差有显著降低,验证了该模型的有效性和优越性.
万方数据
维普
