基于卷积神经网络与门控循环单元的交通流预测模型

摘要：

为对交通流进行多步预测,支持智能交通系统的长期决策任务,一种基于编码器-解码器(encoder-decoder,ED)的卷积神经网络(convolutional neural networks,CNN)-门循环 单元(gate recurrent unit,GRU)模型,简称 ED CNN-GRU.首先使用 CNN 作为编码器,对交 通流序列进行信息捕捉,再将上述信息通过 GRU 解码器进行解释并输出.实验证明,对比 CNN、GRU 单个模型,ED 框架有效解决了误差的迅速累积问题.对比其他基准模型,CNN、GRU 模型对于交通流序列的特征提取及解释能力较为优秀.对于未来 12 个步长的交通流量 预测任务,对比其他基准模型,单因素输入情况的 ED CNN-GRU 模型的均方根误差下降约 0.344～6.464,平均绝对误差下降约0.192～0.425.对比单因素输入,多因素输入下 ED CNN-GRU 模型拥有更好的预测能力.证明了ED CNN-GRU 模型在不同输入维度的多步交通流预测中任务中均具有良好的预测能力,为数据获取条件不同的城市提供了一个支持单因素及多因素输入情况的多步交通流预测模型.

关键词：交通流预测、CNN、GRU、编码器-解码器、多步预测

所属期刊栏目：46

分类号：TP183;U491.14(自动化基础理论)

在线出版日期：2023-09-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：132-140