TY -的A2郭Yanyong AU -,魏盟——荣,无盟——咦,Kefu盟——曾羌族非盟-高,Zhibo AU -吴,吴文光家盟——魏Chongfeng盟——Scepanovic普PY - 2020 DA - 2020/09/19 TI -动脉道路交通状态预测的基础上,深度复发q学习的SP - 8831521六世- 2020 AB -流量数据的指数增长和交通状况的复杂性,为了有效地存储和分析数据反馈有效信息,本文提出了一个城市道路交通状态预测模型的基础上,优化深复发q学习方法。模型是基于优化长短期记忆(LSTM)算法来处理Q-table数据的爆炸性增长,这不仅避免了梯度爆炸和消失,但也有有效的存储和分析。连续训练和记忆存储的训练集用于提高系统灵敏度,然后,测试集预测基础上积累的经验池获得高精度的预测结果。交通流数据从Wanjiali Shuangtang路道路在长沙市为例进行测试。的研究结果表明,该预测交通延误指数在合理区间,并明显优于传统的预测方法如LSTM,再(资讯),支持向量机(SVM),指数平滑方法,和反向传播(BP)神经网络,这表明本文提出的模型应用的可行性。SN - 0197 - 6729你2020/8831521 / 10.1155——https://doi.org/10.1155/2020/8831521——摩根富林明-杂志的先进运输PB - Hindawi KW - ER