10.3963/j.jssn.1674-4861.2023.03.018
基于ETC数据和A-BiLSTM神经网络的高速公路节假日短时交通流预测模型
电子不停车收费(electronic toll collection,ETC)门架系统为节假日高速公路短时交通流预测提供了数据支撑.针对节假日场景下高速公路交通流的非线性和复杂性特征,基于ETC门架数据研究了由注意力机制(attention)和双向长短期记忆(bidirectional long/short-term memory,BiLSTM)神经网络组成的Attention-BiL-STM(A-BiLSTM)组合模型.通过对ETC门架数据进行预处理,保证模型输入的可靠性;采用滑动窗口方法构建监督学习样本,提高模型学习效率.在模型中,使用BiLSTM神经网络,实现对交通流数据前向和后向时间依赖性特征的深入提取;引入注意力机制动态地权衡网络提取信息的重要程度,增强隐藏层特征的非线性表达能力;利用贝叶斯优化方法对模型进行超参数调优,提高模型的预测性能.采集大理-丽江高速公路白汉场至拉市镇的门架数据,处理成时间粒度为5,10,15 min的交通流数据进行模型验证.实验结果表明:①相比于自回归移动平均模型、支持向量机的预测结果,A-BiLSTM组合模型的均方根误差(root mean square error,RMSE)分别降低了73.3%和49.1%,平均绝对误差(mean absolute error,MAE)分别降低了76.0%和56.3%,预测效果好,可应用于实际的交通运营管理.②相比于未引入注意力机制的BiLSTM,A-BiLSTM组合模型的RMSE降低了41.9%,MAE降低了46.0%.③A-BiLSTM组合模型在5 min的时间粒度下表现最好,与输入数据时间粒度为10,15 min情况下所构建的模型预测误差相比,RMSE分别降低34.5%和42.1%,MAE分别降低39.9%和46.3%.
短时交通流预测、双向长短期记忆网络、注意力机制、贝叶斯优化、节假日
41
U491.1(交通工程与公路运输技术管理)
国家自然科学基金42061030
2023-09-18(万方平台首次上网日期,不代表论文的发表时间)
共9页
166-174