基于两级筛选机制及深度学习组合模型实现短时交通流预测
准确实时的短时交通流预测对现代交通管理服务体系的构建至关重要.为了充分挖掘并利用不同路段短时交通流交互作用而表现出的时空特性,构建由自相关函数、互相关函数和KNN算法组成的两级筛选机制评估与目标路段的相关性优化路段组合,实现空间信息深度挖掘;提出一种GCN-GRU组合预测模型,利用图卷积网络(GCN)全局处理路段拓扑信息的优势进一步捕捉短时交通流的空间特性,并借助门控循环单元(GRU)对时间信息的长时记忆能力提取其时间特性.利用实测高速公路短时交通流数据进行验证,仿真结果表明,采用两级筛选机制对路段进行有效筛选并引入深度学习组合模型,预测性能明显改善,优于堆栈式自编码网络(SAEs)和GRU等经典模型.
智能交通、预测精度、两级筛选机制、短时交通流、图卷积网络、门控循环单元
38
U491.1+4(交通工程与公路运输技术管理)
中央高校基本科研业务费专项资金项目;中央高校基本科研业务费专项资金项目;中央高校基本科研业务费专项资金项目;西安市智慧高速公路信息融合与控制重点实验室基金项目;陕西省重点研发计划项目
2023-02-10(万方平台首次上网日期,不代表论文的发表时间)
共9页
84-92