基于卷积神经网络与双向长短时记忆网络组合模型的短时交通流预测

摘要：

及时准确的交通流信息对于智能交通系统的实现至关重要.针对现有预测方法不能充分利用交通流的时空特征,进而不能很好地提取交通流序列内在规律的问题,提出了一种结合卷积神经网络(CNN)和双向长短时记忆网络(BiLSTM)的深度学习预测模型(C-BiLSTM),在网络底层利用一维CNN来捕获观测点交通流数据的空间特征,然后输入到双向LSTM网络提取时间周期特征,最后由全连接层输出预测结果.使用美国交通研究数据实验室的实测交通数据进行验证,结果表明,所提出的C-BiLSTM组合模型具有更高的准确性,其性能相比双向LSTM网络预测模型提升了1.6％,相比单向LSTM网络预测模型提升了6.6％,是一种高精度的交通流预测模型.

关键词：智能交通、短时交通流预测、深度学习、CNN、BiLSTM

分类号：U491.1+4(交通工程与公路运输技术管理)

资助基金：国家自然科学基金61201407,61473047;陕西省自然科学基础研究计划2016JQ5103,2019GY-002;长安大学中央高校基本科研业务费300102328202;西安市智慧高速公路信息融合与控制重点实验室项目ZD13CG46

在线出版日期：2020-04-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：13-18