一种改进的深度置信网络在交通流预测中的应用

摘要: 针对现有交通流预测方法忽视对交通流数据自身特征的有效利用以及不能模拟更复杂的数学运算，提出了一种改进深度置信网络（deep belief network，DBN）的交通流预测方法。该方法结合深度置信网络模型与Softmax回归作为预测模型，利用连续受限玻尔兹曼机（continuous restricted Boltzmann machines，CRBM）处理输入特征向量，利用自适应学习步长（adaptive learning step，ALS）减少RBM训练网络模型时重建误差所需的时间，用改进的深度置信网络模型进行交通流特征学习，在网络顶层连接Softmax回归模型进行流量预测。实验结果表明，在实际的交通流数据预测中，改进的DBN模型的预测准确率以及时间复杂度相比传统预测模型都得到了较好的改善。