[发明专利]一种基于深度学习的长期及短期交通流预测模型构建方法在审
| 申请号： | 201910855977.4 | 申请日： | 2019-09-11 |
| 公开（公告）号： | CN110610232A | 公开（公告）日： | 2019-12-24 |
| 发明（设计）人： | 沈强儒;施佺;曹阳;曹慧;葛文璇;汤天培;刘志杰;邱礼平 | 申请（专利权）人： | 南通大学 |
| 主分类号： | G06N3/04 | 分类号： | G06N3/04;G06N3/08;G06N20/10 |
| 代理公司： | 32249 南京瑞弘专利商标事务所(普通合伙) | 代理人： | 许洁 |
| 地址： | 226000*** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于深度学习的长期及短期交通流预测模型构建方法，即长期和短期时间序列网络，使用卷积神经网络和递归神经网络来提取变量之间的短期局部依赖模式，并发现时间序列趋势的长期模式。本发明通过结合卷积和递归神经网络的强度和自回归分量,该方法显著地改进了对多个基准数据集的时间序列预测的最新结果。通过深入的分析和实证研究，我们展示了LSTNet模型体系结构的效率，并成功地捕捉了数据中的短期和长期重复模式，并将线性模型和非线性模型结合起来进行鲁棒性预测。 | ||
| 搜索关键词： | 递归神经网络 时间序列 卷积神经网络 模型体系结构 时间序列预测 非线性模型 交通流预测 基准数据 模型构建 实证研究 线性模型 重复模式 最新结果 鲁棒性 自回归 卷积 捕捉 预测 改进 展示 网络 分析 发现 成功 学习 | ||
【主权项】：
1.一种基于深度学习的长期及短期交通流预测模型构建方法，其特征在于：包括如下：/n1、问题制定：/n制定多变量时间序列预测的任务：/n给出一系列完全观察到的时间系列信号：Y＝{y
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于南通大学，未经南通大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910855977.4/，转载请声明来源钻瓜专利网。
