针对使用自编码器进行交通流预测时出现的稳定性差,容易陷入局部最优解的问题,提出了一种新的交通流预测方法,利用贪婪逐层训练算法优化堆叠自编码器神经网络模型,有效地解决了由自编码器堆叠形成的深度网络容易陷入局部极值的问题,提高了交通流预测的精度。通过与LSTM与GRU等交通流预测模型的对比实验证明,经过贪婪逐层训练算法优化的堆叠自编码器模型与传统的神经网络相比,在预测精度上有一定的提升,从而证实了利用贪婪逐层训练算法优化的堆叠自编码器神经网络是一种有效的算法。
科研之友
微信
新浪微博
Facebook
分享链接
