TY-JUR A2 - Hassannayebi，Erfan Au - Ren，Chuanxiang Au - Chai，Chunxu Au - Yin，Chanowany Au - Ji，Haowei Au - Cheng，Xuezhen Au - Gao，Ge Au - Zhang，Heng Py - 2021 DA - 2021 /07/05 TI - 短期交通流预测：组合深度学习方法SP - 9928073 VL - 2021 AB - 短期交通流量预测可以为交通管理提供依据，并支持旅行者做出决策。准确的短期交通流量预测还为交通环境的可持续发展提供了必要的条件。虽然对交通流量预测的深度学习方法的应用实现了良好的准确性，但结合多种深度学习方法来提高单个方法预测准确性的问题仍然具有深入研究的余量。在本文中，建立了一种组合的深度学习预测（CDLP）模型，包括两个并联单个深度学习模型，CNN-LSTM-Lefting Model和CNN-注意模型。在该模型中，使用一维卷积神经网络（1dcnn）用于提取流量流域趋势特征和RNN变体（LSTM和GRU），注意机制用于提取长时间依赖性趋势特征。此外，提出了一种动态最佳加权系数算法（DOWCA）来计算CNN-LSTM-LESSING和CNN-注意的动态权重，其目的是最小化CDLP模型的平方误差之和。然后，讨论了神经元数，丢失功能，优化算法和CDLP模型的其他参数，并通过实验进行。最后，通过处理从现场收集的业务流数据来建立CDLP模型的训练集和测试集。CDLP模型经过培训和测试，获得并分析了交通流量的预测结果。 It indicates that the CDLP model can fit the change trend of traffic flow very well and has better performance. Furthermore, under the same dataset, the results from the CDLP model are compared with baseline models. It is found that the CDLP model has higher prediction accuracy than baseline models. SN - 0197-6729 UR - https://doi.org/10.1155/2021/9928073 DO - 10.1155/2021/9928073 JF - Journal of Advanced Transportation PB - Hindawi KW - ER -