基于GRU递归神经网络的城市道路超车预测

论文摘要

城市道路中的超车行为尤其是违规超车等,对交通秩序与安全造成严重影响。随着电子警察与卡口等车牌识别系统的广泛应用,通过上下游车牌识别与时间对比,可以较为精确地获取车辆在路段之间的超车关系。基于电子警察处理的超车数据建立了基于GRU递归神经网络的城市道路超车率预测模型,预测城市道路超车率的变化趋势,并与循环神经网络（recurrent neural network,RNN）、反向传播（back propagation,BP）神经网络进行对比。在苏州工业园区星湖街-现代大道路段的测试结果表明,基于GRU递归网络的超车预测模型的绝对值误差为12.52%,相比于其他2种模型,精度高、泛化能力强、鲁棒性强。

论文目录

文章来源

类型: 期刊论文

作者: 王浩,黄美鑫,武志薪,鞠建敏

关键词: 深度递归神经网络,神经网络,超车预测,交通安全

来源: 中国科技论文 2019年03期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 公路与水路运输,自动化技术

单位: 上海应用技术大学计算机科学与信息工程学院

分类号: TP183;U491

页码: 285-290

总页数: 6

文件大小: 422K

下载量: 230

相关论文文献

标签：深度递归神经网络论文;  神经网络论文;  超车预测论文;  交通安全论文;