考虑上下游的LSTM短时交通流量预测

论文摘要

使用基于LSTM循环神经网络的短时交通流量预测模型分析了不同输入配置对交通流量预测精度的影响。首先,比较了同一车辆检测站点处交通流量、速度和占有率数据的不同组合对短时交通流量预测的影响。实验结果表明,在模型输入中包含速度/占有率信息整体来说可以增强模型的预测性能。为了在模型中引入空间信息,我们进一步考虑了目标车辆检测站点上下游的交通流量状况,分别测试了包含目标车辆检测站点和上下游6个车辆检测站点在内的16种不同的输入组合。实验结果表明,在模型中引入上下游交通信息可以显著提高短时交通流量预测的精度。

论文目录

• 0 引 言
• 1 LSTM循环神经网络
•   1.1 循环神经网络
•   1.2 LSTM的结构
•   1.3 LSTM的计算公式
• 2 基于LSTM循环神经网络的短时交通流量预测
•   2.1 问题描述
•   2.2 数据来源
•   2.3 模型和参数设置
•   2.4 性能指标
• 3 实验与评估
•   3.1 结合速度/占有率信息的短时交通流量预测
•   3.2 考虑上下游交通流量信息的短时交通流量预测
• 4 结 论

文章来源

类型: 期刊论文

作者: 满春涛,康丹青

关键词: 智能交通系统,交通流量预测,循环神经网络,深度学习,上下游交通信息

来源: 哈尔滨理工大学学报 2019年05期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 公路与水路运输,自动化技术

单位: 哈尔滨理工大学自动化学院,中国科学院自动化研究所复杂系统管理与控制国家重点实验室

基金: 国家自然科学基金(61533019,61233001,61603381,71472174,71232006),黑龙江省教育厅科学技术研究项目(12521092)

分类号: U491.14;TP18

DOI: 10.15938/j.jhust.2019.05.017

页码: 101-107

总页数: 7

文件大小: 663K

下载量: 663