基于时空特征融合的短时交通流预测

摘要：

城市道路交通拥堵加大碳排放和空气环境污染问题,短时交通流量预测能够有效缓解交通堵塞.本文提出一种基于时空特征融合的短时交通流预测模型.该模型通过点互信息(PMI)算法对监测站点做相关性分析,确定相关性较高站点,并将其交通数据处理成周期性序列和邻近序列;引入长短时记忆(LSTM)网络提取时间特征构建相关模型,完成时间和空间特征的融合;引进绝对误差序列分析优化模型,得到最终预测结果.本研究以长沙橘子洲大桥作为目标站点,大桥两端各个主要交通路口作为监测站点,利用各个站点的交通流数据集对模型进行验证.研究结果表明:该预测模型优于传统反向传播神经(BP)网络模型和LSTM模型,在平均绝对百分误差(MAPE)指标上,该模型相较于BP和LSTM分别降低3.12％和1.58％,在均方根误差(RMSE)指标上,该模型分别降低了8.45和3.34,为解决交通拥堵和减少碳排放问题提供了一定的参考.

关键词：短时交通流预测、时空特征融合、点互信息、长短时记忆网络

所属期刊栏目：46

分类号：TP319(计算技术、计算机技术)

资助基金：国家自然科学基金;湖南省科技计划项目

在线出版日期：2023-05-16（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：137-142