CN110491129A 基于时空图的发散卷积循环神经网络的交通流预测方法 （重庆城市管理职业学院）_第1页
CN110491129A 基于时空图的发散卷积循环神经网络的交通流预测方法 （重庆城市管理职业学院）_第2页
CN110491129A 基于时空图的发散卷积循环神经网络的交通流预测方法 （重庆城市管理职业学院）_第3页
CN110491129A 基于时空图的发散卷积循环神经网络的交通流预测方法 （重庆城市管理职业学院）_第4页
CN110491129A 基于时空图的发散卷积循环神经网络的交通流预测方法 （重庆城市管理职业学院）_第5页
已阅读5页，还剩16页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

基于时空图的发散卷积循环神经网络的交本发明公开了提供基于时空图的发散卷积2S4：将S2获得的图形发散卷积循环神经网络2.根据权利要求1所述的基于时空图的发散卷积循环神经网络的交通流预测方法，其3.根据权利要求2所述的基于时空图的发散卷积循环神经网络的交通流预测方法，其4.根据权利要求1所述的基于时空图的发散卷积循环神经网络的交通流预测方法，其5.根据权利要求1所述的基于时空图的发散卷积循环神经网络的交通流预测方法，其36.根据权利要求5所述的基于时空图的发散卷积循环神经网络的交通流预测方法，其A21：首先令状态转移方程Dp＝(diag(AI))-1A，并得到反向状态转移方程Dr＝(diag7.根据权利要求1所述的基于时空图的发散卷积循环神经网络的交通流预测方法，其Htru,Wc是对应滤波器的矩阵参4种可持续学习和改善的典型样例之一。由于(1)不断变化的路况导致的非线性的时间动态5[0033]A21：首先令状态转移方程Dp＝(diag(AI))-1A，并得到反向状态转移方程Dr=6集的交通流数据进行分析和挖掘，来刻画出城市道路交通状况是交通流预测的主要目的，7间隔设定节点{vi},i∈{0,1,2,n}对交通路网G空8[0078]A21：首先令状态转移方程Dp＝(diag(AI))-1A，并得到反向状态转移方程Dr=[0082]A3：卷积层的输入为其输出维度记作yeR",其中O为其输出数据的参数可记作[θ]=θR,O,:,:，[]eR",因此从发散卷积层的输入输出维度出发，9[0087]本申请在回归神经网络框架中对时间动态进行建模。RNN的变体之一是门控循环[0088]其中GRU是在LSTM模型的基础上进行更改的，LSTM主要是通过刻意的设计来避免型与常规时间序列模型ARIMA和神经网络序列LSTM模型进行比较分析，验证交通流数据的有效性和可行性，交通流预测结果对比如表1所示。根据和R2-score上都取得了明显的优势，得到了一个比较满意的预测结果,其模型拟合程度达

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论