基于卷积和递归神经网络融合的交通状态指数预测

为提高交通状态指数预测精度,方便市民出行规划和提高相关机构管理预见性,创新研究了基于卷积和递归神经网络融合的交通状态指数预测模型。模型将卷积网络和递归网络进行了融合,由卷积神经网络层和递归神经网络层组成。该模型中的卷积网络能自动提取重要影响因子,同时递归网络能捕捉到前后时序特征,结果显示,得到的融合模型在交通状态指数预测上表现较好,预测精度达到90.2%,比决策树模型精度提高了12.4%,比自回归模型精度提高了5.6%。