改进小波包与长短时记忆组合模型的短时交通流预测

被引：48

作者：

张阳 ^{[1
]}

杨书敏 ^{[1
]}

辛东嵘 ^{[2
]}

机构：

[1] 福建工程学院交通运输学院

[2] 福建工程学院土木工程学院

来源：

交通运输系统工程与信息 | 2020年 / 20卷 / 02期

关键词：

智能交通; 深度学习; 短时交通流预测; 时间序列;

D O I：

10.16097/j.cnki.1009-6744.2020.02.030

中图分类号：

U491.1 [交通调查与规划];

学科分类号：

082303 [交通运输规划与管理];

摘要：

为克服非稳定交通流状态下短时交通流预测精度不高、过分依赖大样本历史数据的缺陷,提出一种改进小波包分析和长短时记忆神经网络组合(IWPA-LSTM)的短时交通流预测方法.利用功率谱细化的思想改进小波包分析算法对小样本交通流时间序列进行多尺度分解和单支重构.对低频序列和高频序列进行相空间重构,完成长短时记忆模型的逐层构建,实现本地保存并根据预测精度进行自适应更新,将重构的子序列输入模型训练和预测.将各子序列的预测值叠加输出IWPA-LSTM最终预测值.实验结果表明,提出的IWPA-LSTM模型在小样本情况下的预测精度优于经典深度学习模型,具有较强的实用性.

引用

页码：204 / 210

页数：7

共 12 条

[1]

Long short-term memory neural network for traffic speed prediction using remote microwave sensor data.[J].Xiaolei Ma;Zhimin Tao;Yinhai Wang;Haiyang Yu;Yunpeng Wang.Transportation Research Part C.2015,

[2]

Adaptive Kalman filter approach for stochastic short-term traffic flow rate prediction and uncertainty quantification.[J].Jianhua Guo;Wei Huang;Billy M. Williams.Transportation Research Part C.2014,

[3]

Long short-term memory [J].