基于深度学习参数优化的短时交通流量预测方法

摘要

本发明公开了一种基于深度学习参数优化的短时交通流量预测方法，用于解决现有基于深度学习的短时交通流量预测方法实时性差的技术问题。技术方案是首先构建连续受限玻尔兹曼机模型，便于交通流连续型数据的输入；其次建立自适应训练步长的学习速率机制，以提高训练的收敛速度；深度信念网模型的学习，最后采用粒子群优化算法为支持向量机的核函数选取合适的参数，保证了实现短时交通流量的预测的快速性和准确性。本发明在深度信任网的基础上，改进第一层受限玻尔兹曼机为连续受限玻尔兹曼机；采用粒子群优化算法对支持向量机核函数中的参数进行优化，使得训练获得的特征信息在该确认的模型下实现对短时交通流的预测，提高了预测的准确性和实时性。