基于时空相关性的短时交通流预测模型
准确、有效的交通流预测为智能交通系统提供数据基础,是实现道路交通状况预测和交通管控的重要技术之一.本文提出一种基于时空特性的经验模态分解(EMD)和长短期记忆(LSTM)神经网络相结合的交通流预测模型.首先,对交通流序列进行EMD分解得到具有不同时间尺度的本征模态分量,然后,结合空间特性采用LSTM神经网络对交通流进行预测.通过仿真实验可得:与传统的LSTM神经网络相比,基于时空特性的EMD-LSTM预测模型的均方根误差分别减少了3.81;平均绝对误差分别减少了2.29.
短时交通流预测、经验模态分解、时空特性、长短期记忆单元
16
TP311(计算技术、计算机技术)
河北省高等学校科学技术研究重点项目No.ZD2019010
2020-07-17（万方平台首次上网日期，不代表论文的发表时间）
共3页
12-14
