基于VMD-BiLSTM-BLS模型的短时交通流预测
准确的短时交通流预测在智慧交通系统中至关重要.近年来,双向长短时记忆网络(BiLSTM)被广泛地应用于短时交通流预测中,但由其结构特点,易产生过拟合现象,从而影响预测精度.鉴于宽度学习系统(BLS)能够解决过拟合的问题,本文将深度学习与宽度学习相结合.进一步地,为减少噪声对车流量数据的干扰,引入变分模态分解(VMD)进行降噪处理,提出VMD-BiLSTM-BLS短时车流量预测模型.本文以PeMS交通流数据为例,进行预测分析.结果表明:与基线模型、消融模型和现有模型进行对比,本文模型预测精度均表现最佳,能够更好的反应路口短时交通流的状况.
短时交通流预测、双向长短时记忆网络、过拟合、宽度学习系统、变分模态分解、深度学习
31
TP391;U495;TP183
国家自然科学基金62076136
2022-05-17(万方平台首次上网日期,不代表论文的发表时间)
共8页
238-245