改进小波包与长短时记忆组合模型的短时交通流预测

摘要：

为克服非稳定交通流状态下短时交通流预测精度不高、过分依赖大样本历史数据的缺陷,提出一种改进小波包分析和长短时记忆神经网络组合(IWPA-LSTM)的短时交通流预测方法.利用功率谱细化的思想改进小波包分析算法对小样本交通流时间序列进行多尺度分解和单支重构.对低频序列和高频序列进行相空间重构,完成长短时记忆模型的逐层构建,实现本地保存并根据预测精度进行自适应更新,将重构的子序列输入模型训练和预测.将各子序列的预测值叠加输出IWPA-LSTM最终预测值.实验结果表明,提出的IWPA-LSTM模型在小样本情况下的预测精度优于经典深度学习模型,具有较强的实用性.

关键词：智能交通、深度学习、短时交通流预测、时间序列

所属期刊栏目：20

分类号：U268.6(机车工程)

资助基金：国家自然科学基金/;National Natural Science Foundation of China;福建省自然科学基金/;Natural Science Foundation of Fujian Province, China;福建工程学院科研发展基金/;Fujian University of Technology Research Development Foundation

在线出版日期：2020-05-11（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：204-210