基于LSTM及其变体的短时交通流预测

摘要：

在智能交通领域内,实时准确的短时交通流预测是实现智能交通诱导和控制的关键技术.交通流时间序列数据具有数量庞大的特性,很多方法不能有效地提高数据利用率,从而造成预测精度低下的问题.循环神经网络(Recurrent Neural Network,RNN)对时间序列的处理具有很高的效率,对此,本文在RNN的基础上,提出了长短时记忆(Long-Short Term Memory,LSTM)模型,并通过改变其内部参数和结构,建立了3种LSTM变体模型来对15 min短时交通流进行预测.实验结果表明,LSTM及其变体模型在预测准确性上,精度都达到了5％以内,相较于RNN都提高了3个百分点;而在LSTM类模型中,尤以LSTM3的预测性能最高,可用于长期的短时交通流预测.

关键词：交通工程、交通流预测、神经网络、短时交通流、长短时记忆

所属期刊栏目：18

分类号：U491.1(交通工程与公路运输技术管理)

在线出版日期：2022-09-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：99-105