集成学习下的短期交通流预测

作者：李敏; 黄迟^*

来源：济南大学学报(自然科学版), 2019, 33(05): 389-395.

DOI：10.13349/j.cnki.jdxbn.2019.05.002

• 交通流预测
• 高斯混合分布
• 深度信念网络
• 集成学习

为了实现短期交通流的精准预测,在深度学习模型的基础上提出一种集成深度信念网格方法;通过考察交通流序列的高斯混合分布特性,加入高斯混合分布噪声进行数据优化,并采用Bagging集成学习的方法对各子深度信念网络进行集成,得到改进的深度集成信念网络模型。经实例演算,该模型比传统的反向传播神经网络、未经过集成的深度信念网络预测精度都要高,且经过高斯混合噪声优化的改进模型要优于未经过优化的深度学习集成模型。

• 单位
  太原理工大学; 数学学院