基于GRU-RNN模型的交叉口短时交通流预测研究

被引：61

作者：

于德新 ^{[1
,2
]}

邱实 ^{[1
]}

周户星 ^{[1
,2
]}

王卓睿 ^{[1
]}

机构：

[1] 吉林大学交通学院

[2] 吉林省道路交通重点实验室

来源：

公路工程 | 2020年 / 45卷 / 04期

关键词：

城市交通; 短时交通流预测; 深度学习; 时间序列;

D O I：

10.19782/j.cnki.1674-0610.2020.04.018

中图分类号：

U491 [交通工程与交通管理];

学科分类号：

082301 [道路与铁道工程];

摘要：

为提升交叉口短时交通流预测精度,在深度学习的理论框架下,以历史交通流量数据作为研究基础,提出一种基于GRU-RNN的短时流量预测模型。首先采用随机森林算法对交通流量数据进行预处理,补全长周期缺失情况下的丢失数据,确保样本的完整性和准确性,其次采用GRU-RNN算法对短时流量进行预测,在MYECLIPSE的开发环境调整参数适应样本,进行模型的训练与验证,并与经典BP神经网络预测模型进行对比。结果表明,所提算法拟合优度（R2）为0.962,最接近1,稳定性最好,均方根误差（RMSE）为6.258,预测误差最小,与真实值最为接近,可为交通控制提供准确依据。

引用

页码：109 / 114

页数：6

共 10 条

[1]

Construction of traffic state vector using mutual information for short-term traffic flow prediction.[J].Unsok Ryu;Jian Wang;Thaeyong Kim;Sonil Kwak;Juhyok U.Transportation Research Part C.2018,

[2]

Adaptive estimation of Haar wavelet transform parameters applied to fuzzy prediction of network traffic.[J].A.A. Cardoso;F.H.T. Vieira.Signal Processing.2018,

[3]

Deep Learning for Short-Term Traffic Flow Prediction.[J].Nicholas G. Polson;Vadim O. Sokolov.Transportation Research Part C.2017,

[4]

Short-term traffic flow prediction with linear conditional Gaussian Bayesian network [J].