本文主要研究内容
作者潘伟靖,陈德旺（2019）在《基于GRU-SVR的短时交通流量预测研究》一文中研究指出：短时交通流量预测为智能交通系统(ITS)的研究方向之一。现有相关研究中所提及的基于深度学习的方法,需要较高的计算复杂度或模型的回归预测能力存在一定的不足。因此,提出一种将门循环单元(gated recurrent unit,GRU)与支持向量回归(support vector regression,SVR)相结合的模型。该模型一方面借助深度学习模型的强大能力进行特征提取工作,并相较长短时记忆网络(long short term memory,LSTM)降低了一定的计算量,同时,又以支持向量回归模型来增强整个模型的回归预测能力。文中基于Keras所提供的python库,完成实验设计及开发,根据实验结果对模型进行逐步调整,选择最优模型,并在PeMS数据集上对模型的泛化能力以及抗噪能力进行了测试。实验结果表明,与SVR以及GRU模型相比较,GRU-SVR模型预测精度分别提升了4%和1.6%,并且该模型具有一定的泛化及抗噪能力。
Abstract
duan shi jiao tong liu liang yu ce wei zhi neng jiao tong ji tong (ITS)de yan jiu fang xiang zhi yi 。xian you xiang guan yan jiu zhong suo di ji de ji yu shen du xue xi de fang fa ,xu yao jiao gao de ji suan fu za du huo mo xing de hui gui yu ce neng li cun zai yi ding de bu zu 。yin ci ,di chu yi chong jiang men xun huan chan yuan (gated recurrent unit,GRU)yu zhi chi xiang liang hui gui (support vector regression,SVR)xiang jie ge de mo xing 。gai mo xing yi fang mian jie zhu shen du xue xi mo xing de jiang da neng li jin hang te zheng di qu gong zuo ,bing xiang jiao chang duan shi ji yi wang lao (long short term memory,LSTM)jiang di le yi ding de ji suan liang ,tong shi ,you yi zhi chi xiang liang hui gui mo xing lai zeng jiang zheng ge mo xing de hui gui yu ce neng li 。wen zhong ji yu Kerassuo di gong de pythonku ,wan cheng shi yan she ji ji kai fa ,gen ju shi yan jie guo dui mo xing jin hang zhu bu diao zheng ,shua ze zui you mo xing ,bing zai PeMSshu ju ji shang dui mo xing de fan hua neng li yi ji kang zao neng li jin hang le ce shi 。shi yan jie guo biao ming ,yu SVRyi ji GRUmo xing xiang bi jiao ,GRU-SVRmo xing yu ce jing du fen bie di sheng le 4%he 1.6%,bing ju gai mo xing ju you yi ding de fan hua ji kang zao neng li 。
论文参考文献
论文详细介绍
论文作者分别是来自计算机技术与发展的潘伟靖,陈德旺，发表于刊物计算机技术与发展2019年10期论文，是一篇关于门限循环单元论文,支持向量回归论文,长短期记忆网络论文,深度学习论文,短时交通流量论文,计算机技术与发展2019年10期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自计算机技术与发展2019年10期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：门限循环单元论文; 支持向量回归论文; 长短期记忆网络论文; 深度学习论文; 短时交通流量论文; 计算机技术与发展2019年10期论文;