基于神经网络及关联性修正的交通异常预测研究

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于神经网络及关联性修正的交通异常预测研究

安实, 王雷, 周超

文章导航 > 交通信息与安全 > 2019 > 37(2): 10-17

安实, 王雷, 周超. 基于神经网络及关联性修正的交通异常预测研究[J]. 交通信息与安全, 2019, 37(2): 10-17. doi: 10.3963/j.issn.1674-4861.2019.02.002

引用本文:

安实, 王雷, 周超. 基于神经网络及关联性修正的交通异常预测研究[J]. 交通信息与安全, 2019, 37(2): 10-17. doi: 10.3963/j.issn.1674-4861.2019.02.002

AN Shi, WANG Lei, ZHOU Chao. A Study to Forecast Abnormal Traffic Based on Neural Network and Relevant Correction[J]. Journal of Transport Information and Safety, 2019, 37(2): 10-17. doi: 10.3963/j.issn.1674-4861.2019.02.002

Citation:

AN Shi, WANG Lei, ZHOU Chao. A Study to Forecast Abnormal Traffic Based on Neural Network and Relevant Correction[J]. Journal of Transport Information and Safety, 2019, 37(2): 10-17. doi: 10.3963/j.issn.1674-4861.2019.02.002

安实, 王雷, 周超. 基于神经网络及关联性修正的交通异常预测研究[J]. 交通信息与安全, 2019, 37(2): 10-17. doi: 10.3963/j.issn.1674-4861.2019.02.002

引用本文:

安实, 王雷, 周超. 基于神经网络及关联性修正的交通异常预测研究[J]. 交通信息与安全, 2019, 37(2): 10-17. doi: 10.3963/j.issn.1674-4861.2019.02.002

AN Shi, WANG Lei, ZHOU Chao. A Study to Forecast Abnormal Traffic Based on Neural Network and Relevant Correction[J]. Journal of Transport Information and Safety, 2019, 37(2): 10-17. doi: 10.3963/j.issn.1674-4861.2019.02.002

Citation:

AN Shi, WANG Lei, ZHOU Chao. A Study to Forecast Abnormal Traffic Based on Neural Network and Relevant Correction[J]. Journal of Transport Information and Safety, 2019, 37(2): 10-17. doi: 10.3963/j.issn.1674-4861.2019.02.002

基于神经网络及关联性修正的交通异常预测研究

doi: 10.3963/j.issn.1674-4861.2019.02.002

哈尔滨工业大学交通科学与工程学院哈尔滨 150090
哈尔滨工业大学交通科学与工程学院哈尔滨 150090
哈尔滨工业大学后勤集团哈尔滨150001

基金项目:

国家自然科学基金项目

中图分类号: U495
计量
- 文章访问数: 381
- HTML全文浏览量: 79
- PDF下载量: 1
- 被引次数: 0
出版历程
- 刊出日期: 2019-04-28

A Study to Forecast Abnormal Traffic Based on Neural Network and Relevant Correction

摘要: 为实现城市交通异常管理的主动式响应,给交通异常处置争取更多的时间,减少交通异常对城市路网的影响,提出了一种基于神经网络及关联性修正的交通异常预测方法.基于历史异常数据构建交通异常数据库,并定义了预测模型中的主要参数;构建了基于改进神经网络算法的交通异常预测模型,在此基础上,创新性地提出了结合不同单元区域背景概率及交通异常相关关系挖掘的预测修正算法,对预测结果进行关联性修正以得到最终更加准确的预测结果,大幅提升了模型的预测精度.应用哈尔滨市30 d实例数据训练了所提出的交通异常预测模型,用15 d数据进行了验证,结果表明经过关联性修正的预测模型成功预测次数明显增加,相较于传统方法,预测成功率提升了31.46%,皮尔逊检验值均大于1.642,预测的结果的可信度大于80% 的置信水平.
- 智能交通 /
- 交通异常事件 /
- 交通异常预测 /
- 神经网络 /
- 皮尔逊检验 /
- 关联性修正

参考文献(0)

资源附件(0)

WeChat

点击查看大图

计量

文章访问数: 381
HTML全文浏览量: 79
PDF下载量: 1
被引次数: 0

/

下载: 全尺寸图片幻灯片

分享

用微信扫码二维码

分享至好友和朋友圈

返回

版权所有《交通信息与安全》编辑部鄂ICP备05003336号-2

通信地址：湖北省武汉市武昌区和平大道1178号，武汉理工大学余家头校区 (430063)

联系电话：027-86580355电子邮箱：jtjsj@vip.163.com

本系统由北京仁和汇智信息技术有限公司开发