基于智能手机传感器数据的交通流状态分类深度学习模型
机器学习
2017-09-27 v1
摘要
本研究提出了一种用于分类交通流状态的深度信念网络 (Deep Belief Network) 模型。该模型能够处理由智能手机传感器产生的海量、高密度且受噪声污染的数据集。我们分析了智能手机软件记录的车辆加速度、角加速度和 GPS 速度数据的统计特征，随后将其用作交通流状态分类的输入。为期五天的实验数据被用于训练和测试所提出的模型。共生成了 747,856 组数据，用于交通流状态分类和输入变量的灵敏度分析。结果表明，所提出的深度信念网络模型在分类性能和计算效率上均优于传统机器学习方法。
引用
@article{arxiv.1709.08802,
title = {A Deep Learning Model for Traffic Flow State Classification Based on Smart Phone Sensor Data},
author = {Wenwen Tu and Feng Xiao and Liping Fu and Guangyuan Pan},
journal= {arXiv preprint arXiv:1709.08802},
year = {2017}
}