基于两级分解和GRU-AT网络的短时交通流预测模型

摘要：

为提升城市道路短时交通流预测准确性,提出了一种基于小波分解(wavelet decomposition,WD)、变分模态分解(vari-ational mode decomposition,VMD)和融合注意力机制(attention,AT)的门控循环单元(gated recurrent units,GRU)网络的短时交通流预测模型.首先采用WD算法将原始交通流数据分解重构成低频分量和高频分量;然后将各高频分量累加,利用VMD算法将其分解为多个本征模态函数(intrinsic mode functions,IMF)分量;最后通过建立GRU-AT模型,提高模型对交通流重要特征信息提取的能力,分别预测算法分解后的交通流分量,将各个分量预测的最优结果进行聚合后获得最终的交通流预测结果.以国内外道路交通流数据为基础进行实例验证,结果表明,WD+VMD+GRU-AT模型的均方误差的平方根、平均绝对误差均小于长短时记忆(long short-term memory,LSTM)网络模型、GRU、WD+GRU、WD+VMD+GRU,提高了短时交通流预测结果的准确度和稳定性.

关键词：短时交通流预测、小波分解、变分模态分解、门控循环单元网络

所属期刊栏目：22

分类号：U491.14(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;湖南省重点领域研发计划;湖南省自然科学基金青年项目;湖南省教育厅优秀青年项目

在线出版日期：2023-02-20（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：15792-15801