关键词：城市交通 交通时间预测 时间序列 深度学习 

摘要：交通旅行时间是研究交通路况的重要指标之一,对其精确预估是城市道路交通管理的重要依据。针对交通旅行时间序列数据,应用GRU结构的递归神经网络,构建城市主干道交通旅行时间预测模型。根据实际路网数据的时间相关性重构交通旅行时间序列,结合时间序列的趋势特性完成对数据的清洗以及缺失值的补齐。使用基于TensorFlow为后端的Keras框架完成基于GRU结构的循环神经网络的结构搭建和精细调参,使用路网实测数据进行模型的训练和验证,根据验证结果选择优化参数,使模型的训练时间水平得到提升。仿真实验证明其所采用的模型相对于基于LSTM结构的时间序列模型收敛速度更快。

北京信息科技大学学报·自然科学版杂志要求:

{1}所有引文均需核实无误，文献版本应信实可靠。

{2}不同栏目字数、格式要求不同，撰稿前请联系编辑部。

{3}论文内容应接触学科前沿，做到论点新颖、明确，论据充分、可靠，语言通顺，文字简练。

{4}文稿需要附200字以内的中文摘要、3~5个关键词。

{5}公式及正文的变量应使用斜体表示，并在第一次出现时给出具体含义，杜绝同一字母两种含义的现象。行文中需用到的公式应统一顺序编号。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社