基于CNN-ResNet-LSTM模型的城市短时交通流量预测算法

摘要：

针对交通流量特性和外部因素对交通流量预测结果的影响,提出了一种对城市短时交通流量预测的模型CNN-ResNet-LSTM,将卷积神经网络(CNN)、残差神经单元(ResNet)和长短期记忆循环神经网络(LSTM)集成到一个端到端的网络框架.利用卷积神经网络来捕获城市区域间交通流量的局部空间特征,并在卷积神经网络中加入多个残差神经单元来加深网络深度,可提高预测的准确性;利用长短期记忆循环神经网络来捕获交通流量数据的时间特征;利用相应的权重将2个网络的输出结果融合,得到通过轨迹数据预测的结果;最后与外部因素融合,得到城市区域的交通流量预测值.用北京市轨迹交通数据对该模型进行验证,CNN-ResNet-LSTM模型不仅在准确率方面比传统模型高,而且在保证预测准确率的情况下,模型使用的参数也少.

关键词：短时交通流量预测、深度学习、长短期记忆循环神经网络、卷积神经网络

所属期刊栏目：43

分类号：TP18(自动化基础理论)

资助基金：徐州市科技计划项目;国家自然科学基金项目

在线出版日期：2021-01-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：9-14