基于深度LSTM与遗传算法融合的短期交通流预测模型

摘要：

短期交通流预测是交通优化控制和智能服务的基础.由于交通流日内波动性明显,使用单层长短期记忆网络(LSTM)存在泛化能力不足的问题,堆叠多层LSTM易导致模型难以快速收敛.通过对LSTM神经网络架构的优化设计,提出一种深度LSTM与遗传算法融合的交通流预测模型GA-mLSTM.首先,采用遗传算法(Genetic Algorithm,GA)对LSTM层数、Dense层数、隐藏层神经元个数和Dense层神经元个数进行优化,确定GA-mLSTM模型的网络结构设计和最优参数;然后,基于GA-mLSTM模型的预测结果,使用差分运算对预测误差进行修正;最后,利用公开数据集对交通流预测性能进行评估并验证,实验结果表明:GA-mLSTM模型采用3层LSTM神经网络结构,融入遗传算法和差分计算后,能有效捕获路网交通流的波动特性,可以实现更准确的交通流预测.

关键词：交通流预测、长短期记忆网络、遗传算法、差分处理

所属期刊栏目：48

分类号：TN919.23

资助基金：江苏省大学生实践创新训练项目;江苏省研究生科研与实践创新计划项目;南京邮电大学科研创新资助项目

在线出版日期：2022-09-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：836-843