基于DBN的多任务高速公路通行费预测模型

摘要：

由于模型训练中人工设计特征方法复杂,无法充分利用通行费数据特征,且仅基于历史数据进行单一站点通行费预测,忽略了高速公路路网中站点的相互影响.针对上述两方面问题,提出一种基于深度置信网络的多任务高速公路通行费预测模型(MD-SVR).采用具有高斯分布的深度置信网络(CRBM-DBN)对通行费数据进行特征学习,在DBN顶层添加一个回归层引入多任务学习(MTL)结合支持向量回归(SVR)进行通行费预测,采用深度网络结构顶层权重聚类方法,将相关任务分为一组共同训练预测模型.实验结果表明,MDSVR通行费预测模型与传统方法相比预测精度更高.

关键词：通行费预测、深度置信网络、特征学习、多任务学习、任务分组

所属期刊栏目：40

分类号：TP183(自动化基础理论)

资助基金：吉林省省级产业创新专项基金项目2016C090;吉林省大数据科学与工程联合重点实验室基金项目172398JC010236285

在线出版日期：2019-10-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：2584-2588,2600