基于Softmax函数增强卷积神经网络-双向长短期记忆网络框架的交通拥堵预测算法

摘要：

对交通状态进行预测,需要准确识别和判断交通状态.基于道路自身的自由流速度,将具有不同速度等级的街道统一以旅行时间指数(travel time index,TTI)作为拥堵评价,相较于以车辆速度为基准的传统预测方法更能表现出道路的拥堵状态.提出了一种改进的深度学习预测模型(CS-BiLSTM),该模型基于卷积神经网络(convolutional neural networks,CNN)和双向长短期记忆(bidirectional long short-term memory,BiLSTM),并结合Softmax函数增强CNN提取出的交通空间特征信息.最后以成都市出租车的全球定位系统(global positioning system,GPS)数据进行验证.结果表明,所提出的CS-BiLSTM模型具有更高的准确性,其性能相比CNN-BiLSTM网络预测框架提升了13％.

关键词：交通拥堵预测、旅行时间指数(TTI)、卷积神经网络(CNN)、Softmax函数、双向长短期记忆(BiLSTM)

所属期刊栏目：22

分类号：TP301.6(计算技术、计算机技术)

资助基金：成都市科技项目;四川省科技计划

在线出版日期：2022-11-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：12917-12926