考虑噪声影响的短时交通流预测模型及验证

摘要：

为进一步提高交通流预测的精确性,相较于忽略噪声影响的传统预测方法,提出一种基于小波变换的双向长短时记忆神经网络-自回归滑动平均模型的预测模型(WBLA).WBLA模型首先采用小波变换,将交通流数据分解为特征项及噪声项,在此基础上,对特征项采用双向长短时记忆神经网络(BiLSTM)进行预测,对噪声项采用自回归滑动平均模型(ARMA)进行预测,最后对两项预测结果求和作为最终的预测结果.将未考虑噪声影响的其它基准方法作为对比模型,在美国加州高速公路交通流数据集上进行测试及验证,实验结果表明:WBLA 模型同未考虑噪声影响的次好模型相比,MAE、RMSE和 MAPE 分别下降 17.86％、15.98％、16.39％,表明 WBLA模型符合实际交通流速度变化趋势,模型合理性得到验证.

关键词：智能交通、速度预测、小波变换、双向长短期记忆网络、自回归滑动平均模型

所属期刊栏目：25

分类号：U491(交通工程与公路运输技术管理)

资助基金：国家自然科学基金;北京市科技计划项目

在线出版日期：2023-03-23（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：11-16,23