基于DCGRU-RF模型的路网短时交通流预测

摘要：

随着城市化进程的加快,我国城市机动车数量快速增加,使得现有路网容量难以满足交通运输需求,交通拥堵、环境污染、交通事故等问题与日俱增.准确高效的交通流预测作为智能交通系统的核心,能够有效解决交通出行和管理方面的问题.现有的短时交通流预测研究往往基于浅层的模型方法,不能充分反映交通流特性.文中针对复杂的交通网络结构,提出了一种基于DCGRU-RF(Diffusion Convolutional Gated Recurrent Unit-Random Forest)模型的短时交通流预测方法.首先,使用DCGRU(Diffusion Convolutional Gated Recurrent Unit)网络刻画交通流时间序列数据中的时空相关性特征;在获取数据中的依赖关系和潜在特征后,选择RF(Random Forest)模型作为预测器,以抽取的特征为基础构建非线性预测模型,得出最终的预测结果.实验以两条城市道路中的38个检测器为实验对象,选取了5周工作日的交通流数据,并将所提方法与其他常见交通流量预测模型进行比较.结果表明,DCGRU-RF模型能够进一步提高预测精度,准确度可达95％.

关键词：交通流量预测、组合预测模型、深度学习、路网

所属期刊栏目：47

资助基金：国家重点研发计划政府间国际科技创新合作重点专项;江苏省重点研发计划产业前瞻与共性关键技术项目;江苏省交通运输科技与成果转化项目

在线出版日期：2020-05-25（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：84-89