基于CNN与多尺度特征融合的城市交通流预测模型

扫码查看

原文链接

万方数据
维普

中文摘要：随着出租车和网约车的日益普及,GPS数据生成大量的时空视频流数据,对城市交通流预测提供坚实的数据价值.传统城市流量预测方法存在精度低,目标区域受周围区域影响等问题.卷积神经网络在交通流预测上表现出色,但仍存在目标区域受全局信息的干扰、低层网络的特征表征能力弱及高层下采样损失过多特征等问题.该文提出一种基于卷积神经网络(Convolutional Neural Network,CNN)与多尺度融合机制的交通流预测模型MS-RSCNet(Multi-scale Residual Self Checking Network).该模型采用了一种残差自校验网络(Residual Self Checking Network,RSCNet)结构,并引入融合多尺度特征的双向门控循环单元设计方案.通过公开数据集对交通流预测性能进行测试验证,相较于ST-ResNet、ARIMA、STAR等模型,MS-RSCNet模型具有更优的交通流预测性能.

外文标题：An Urban Traffic Flow Prediction Model Based on CNN and Multi-scale Feature Fusion

作者：

殷齐、丁飞、朱跃、李静宜、沙宇晨

展开 >

作者单位：

南京邮电大学物联网学院,江苏南京 210003

南京邮电大学江苏省宽带无线通信和物联网重点实验室,江苏南京 210003

关键词：

交通流卷积神经网络残差自校验网络多尺度特征门控循环单元

基金：

国家自然科学基金江苏省研究生科研与实践创新计划江苏省大学生实践创新训练项目

项目编号：

61872423KYCX20_0770SYB2020035

出版年：

2022

DOI：

10.3969/j.issn.1673-629X.2022.10.029

计算机技术与发展

陕西省计算机学会

计算机技术与发展

CSTPCD

影响因子：0.621

ISSN：1673-629X

年,卷(期)：2022.32(10)

被引量2
参考文献量4