考虑上下游的LSTM短时交通流量预测

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.

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

所属期刊栏目：24

分类号：TP391(计算技术、计算机技术)

资助基金：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

在线出版日期：2020-01-04（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：101-107