如需要完整文档点击下方 "点击下载文档" 按钮

随着出租车和网约车的日益普及,GPS 数据生成大量的时空视频流数据,对城市交通流预测提供坚实的数据价值。 传统城市流量预测方法存在精度低,目标区域受周围区域影响等问题。 卷积神经网络在交通流预测上表现出色, 但仍存在目标区域受全局信息的干扰、低层网络的特征表 征能力弱及高层下采样损失过多特征等问题。 该文提出一种基于卷积神经网络( Convolutional Neural Network,CNN) 与多尺度融合机制的交通流预测模型 MS-RSCNet( Multi-scale ResidualSelf Checking Network) 。 该模型采用了一种残差自校验网络 (Residual Self Checking Network, RSCNet) 结构,并引入融合多尺度特征的双向门控循环单元设计方案。 通过公开数据集对交通流预测性能进行测试验证,相较于 ST-ResNet、ARIMA、STAR 等模型,MS-RSCNet 模型具有更优的交通流预测性能。

如需要完整文档点击下方 "点击下载文档" 按钮

《基于 CNN 与多尺度特征融合的城市交通流预测模型》

将 完整文档 下载到本地，方便收藏和查阅

文件号：059972

点击下载文档