基于3DCNN-DNN的高空视频交通状态预测

摘要：

为使用高空视频识别和预测道路交通状态,提出基于三维卷积神经网络—深度神经网络(3DCNN-DNN)的交通状态预测方法.将道路切分为D个路段,每个路段视频片段时长m s,基于典型3DCNN结构C3D识别路段视频片段交通状态;建立道路? 个历史时段、D个路段的交通状态矩阵Φ,将道路交通状态预测问题转化为以Φ为输入,有限交通状态为输出的分类问题,构建基于DNN的短时交通状态预测模型原型;建立交通视频数据集,对DNN预测模型原型的隐藏层数量、神经元数量及训练批大小进行测试优化,提出有4隐藏层,各层神经元数量为64/128/128/64,训练批大小为64的优化模型DNN*.测试结果表明:C3D视频交通态识别平均F1值为95.71％,DNN*道路交通状态预测准确率为91.18％,比DNN线性分类、K-Means、KNN、SVM和线性分类分别高6.86％、57.85％、62.26％、26.47％、43.14％;C3D能提供准确的交通状态矩阵,3DCNN-DNN可有效识别和预测道路视频交通状态.

关键词：智能交通、交通状态预测、DNN、高空视频、3DCNN、深度学习

所属期刊栏目：20

分类号：U491.1(交通工程与公路运输技术管理)

资助基金：国家自然科学基金;重庆市基础前沿与技术创新项目;山地城市交通系统安全实验室开放基金

在线出版日期：2020-07-07（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：39-46