本文主要研究内容
作者吕田（2019）在《基于SDZ-GRU的多特征短时交通流预测方法》一文中研究指出：针对当前短期交通流量预测方法误差较大,且仅依靠时间序列数据进行预测的问题,提出一种基于SDZ-GRU的多特征短时交通流预测方法(简称SGMTFP)。该方法在现有的时序数据的基础上加入时间信息等一系列辅助数据,并将SDZ(Surprisal-Driven Zoneout)应用于门控循环单元(Gated Recurrent Unit, GRU)构成新的RNN单元SDZ-GRU。通过滚动式嵌套交叉验证实验,本文方法在均方根误差与平均绝对误差上比常规的GRU分别下降了7.68%和14.55%;另外由于SGMTFP方法加入了辅助特征,相比较不使用辅助特征的情况下,均方根误差与平均绝对误差分别下降了10.9%和15.1%,实验结果表明,本文方法能有效减小误差。
Abstract
zhen dui dang qian duan ji jiao tong liu liang yu ce fang fa wu cha jiao da ,ju jin yi kao shi jian xu lie shu ju jin hang yu ce de wen ti ,di chu yi chong ji yu SDZ-GRUde duo te zheng duan shi jiao tong liu yu ce fang fa (jian chen SGMTFP)。gai fang fa zai xian you de shi xu shu ju de ji chu shang jia ru shi jian xin xi deng yi ji lie fu zhu shu ju ,bing jiang SDZ(Surprisal-Driven Zoneout)ying yong yu men kong xun huan chan yuan (Gated Recurrent Unit, GRU)gou cheng xin de RNNchan yuan SDZ-GRU。tong guo gun dong shi qian tao jiao cha yan zheng shi yan ,ben wen fang fa zai jun fang gen wu cha yu ping jun jue dui wu cha shang bi chang gui de GRUfen bie xia jiang le 7.68%he 14.55%;ling wai you yu SGMTFPfang fa jia ru le fu zhu te zheng ,xiang bi jiao bu shi yong fu zhu te zheng de qing kuang xia ,jun fang gen wu cha yu ping jun jue dui wu cha fen bie xia jiang le 10.9%he 15.1%,shi yan jie guo biao ming ,ben wen fang fa neng you xiao jian xiao wu cha 。
论文参考文献
论文详细介绍
论文作者分别是来自计算机与现代化的吕田，发表于刊物计算机与现代化2019年10期论文，是一篇关于短时交通流预测论文,辅助特征论文,计算机与现代化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，资料来自计算机与现代化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：短时交通流预测论文; 辅助特征论文; 计算机与现代化2019年10期论文;