TY - Jour A2 - 杨，孝县奥 - 邵，延志奥钊，尹义肛门，冯腹朱，华为Au - 方，京龙PY - 2021DA - 2021/06/01 TI - 交通流量预测方法使用基于增量学习的CNN-LTSM型号：移动应用程序SP - 5579451 VL - 2021 AB - 随着城市化的加速和机动车辆数量的增加，越来越多的社会问题，诸如交通拥堵等社会问题出现了。因此，高效和准确的交通流量预测已成为智能运输领域的研究热点。然而，传统的机器学习算法不能进一步优化模型随着数据量表的增加，深度学习算法在移动应用程序或实时应用中执行不良;如何有效，准确地培训和更新深度学习模型仍然是一个紧急问题，因为它们需要巨大的计算资源和时间成本。因此，提出了一种基于增量学习的CNN-LTSM模型IL-TFNET，用于本研究中的流量预测。基于轻量级卷积神经网络的模型架构旨在同时处理时空和外部环境的功能，以提高模型的预测性能和预测效率。特别地，K-Means聚类算法应用于未确定特征以提取未知的交通事故信息。在模型培训期间，代替传统的批量学习算法，应用增量学习算法来降低更新模型的成本，并满足短期交通预测中的高实时性能和低计算开销的要求。此外，提出了与主动学习结合增量学习的想法，以微调预测模型，以提高特殊情况下的预测准确性。 Experiments have proved that compared with other traffic flow prediction models, the IL-TFNet model performs well in short-term traffic flow prediction. SN - 1574-017X UR - https://doi.org/10.1155/2021/5579451 DO - 10.1155/2021/5579451 JF - Mobile Information Systems PB - Hindawi KW - ER -