科研之友
微信
新浪微博
Facebook
分享链接
摘要
城市交通时间序列模式识别主要基于距离计算和特征提取两种方法,但前者结果受到时间序列非线性特征的影响,后者难以提取多时间段Shapelet子序列。为准确识别城市交通指数数据模式,提出了基于卷积神经网络对交通时间序列数据进行模式识别的方法。首先将时间序列数据预处理成N维矩阵,确定神经网络模型的输入数据;然后通过反复训练特征网络提取输入层的特征信息,确定交通指数的模式类型;最后利用Softmax分类器进行模式分类,实现交通指数类别划分。实验以2016—2018年北京市全市交通指数时间序列模式识别为例,对比发现,该方法能更准确地将交通指数时间序列数据划分为符合真实情况的5类模式。该方法对时间序列数据模式识别更准确,适合呈现时间阶段性变化的数据间相关性研究和模式发现。
- 单位
