基于多维度LSTM模型的短时交通流预测

摘要：

提出一种基于长短时记忆神经网络(Long Short-Term Memory,LSTM)的交通流预测模型,不同于单一因素预测,模型深入探究时间占有率等因素对预测结果的影响,从而进行多维度的短时交通流预测.最后以长沙市某实地数据对模型预测结果的精确性进行检验.研究结果表明:在以10 min为间隔预测中,与时间占有率组合的多维度因素速度预测和流量预测的平均绝对误差相较单一因素分别由4.6 km/h降至2.78 km/h,9.65辆降至5.8辆.加入时间占有率等其他因素后,模型预测的精度显著提高.

关键词：智能交通、交通流预测、LSTM、神经网络

所属期刊栏目：17

分类号：U491(交通工程与公路运输技术管理)

资助基金：湖南省自然科学基金资助项目2018JJ2537

在线出版日期：2020-12-15（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：2946-2952