基于时间卷积神经网络的短时交通流预测算法

摘要：

短时交通流预测是智能交通系统实现交通控制与交通诱导的关键所在.传统一维卷积神经网络(CNN)在短时交通流预测上难以获取长时记忆,同时存在信息泄露的问题.文中提出扩张-因果卷积神经网络(DCFCN),引入扩张卷积来增加感受野大小,获取序列的长时记忆;同时,引入因果卷积来解决信息泄露问题.DCFCN由6层卷积层堆叠而成,每层通过Padding的方式实现因果卷积,扩张系数逐层呈指数增长.实验结果表明,文中提出的DCFCN在短时交通流预测上优于其他对比模型,且在GPU上计算效率明显提升.

关键词：短时交通流预测、时间卷积网络、深度学习

所属期刊栏目：48

分类号：TP391(计算技术、计算机技术)

资助基金：广东省自然科学基金资助项目2018A030313309,2015A030308017

在线出版日期：2020-12-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：107-113,122