10.3778/j.issn.1002-8331.2011-0204
时空相关的短时交通流宽度学习预测模型
针对深度学习预测模型运算大的问题,在充分挖掘交通大数据的时空相关性的基础上,提出了一种基于K-最邻近(K-nearest neighbor,KNN)与宽度学习系统(broad learning system,BLS)相结合的短时交通流预测模型.利用KNN算法筛选与预测路段时空相关性高的K个路段,将选取路段的交通流数据作为BLS模型的输入分别进行预测,对选取不同路段的预测结果进行加权,以均方根误差(root mean square error,RMSE)为最小时对应K值的结果作为最终的预测值.美国加利福尼亚州交通局PeMs交通数据库实测的交通流量数据的测试结果表明,提出的模型相比于ARIMA、WNN、LSTM、KNN-LSTM模型均方根误差平均降低46.56%,运算效率明显提高,是一种有效的短时交通流预测方法.
交通流预测、深度学习、宽度学习、时空相关
58
U491.112(交通工程与公路运输技术管理)
国家重点研发计划;陕西省高速公路建设集团公司项目
2022-05-20(万方平台首次上网日期,不代表论文的发表时间)
共6页
181-186