利用卷积神经网络识别交通指数时间序列模式

作者：卢剑,张学东,张健钦,郭小刚,张悦颖

摘要：城市交通时间序列模式识别主要基于距离计算和特征提取两种方法,但前者结果受到时间序列非线性特征的影响,后者难以提取多时间段Shapelet子序列。为准确识别城市交通指数数据模式,提出了基于卷积神经网络对交通时间序列数据进行模式识别的方法。首先将时间序列数据预处理成N维矩阵,确定神经网络模型的输入数据;然后通过反复训练特征网络提取输入层的特征信息,确定交通指数的模式类型;最后利用Softmax分类器进行模式分类,实现交通指数类别划分。实验以2016—2018年北京市全市交通指数时间序列模式识别为例,对比发现,该方法能更准确地将交通指数时间序列数据划分为符合真实情况的5类模式。该方法对时间序列数据模式识别更准确,适合呈现时间阶段性变化的数据间相关性研究和模式发现。

发文机构：北京建筑大学测绘与城市空间信息学院

关键词：交通指数卷积神经网络时间序列数据模式识别层次聚类traffic indexconvolutional neural networktime series datapattern recognitionhierarchical clustering

分类号： U491[交通运输工程—交通运输规划与管理]