基于改进的LSTM算法的时间序列流量预测

被引：29

作者：

郭佳丽 ^{[1
]}

邢双云 ^{[1
]}

栾昊 ^{[1
]}

贾艳婷 ^{[2
]}

机构：

[1] 沈阳建筑大学理学院

[2] 沈阳建筑大学教务处

来源：

南京信息工程大学学报(自然科学版) | 2021年 / 13卷 / 05期

关键词：

时间序列预测; 长短期记忆网络; 预测精度; 泛化能力;

D O I：

10.13878/j.cnki.jnuist.2021.05.009

中图分类号：

TP18 [人工智能理论];

学科分类号：

140502 [人工智能];

摘要：

时间序列流量的预测问题是近年来机器学习的一个热点问题,通过改变长短期记忆网络(LSTM)层数、网络层神经元的个数、网络层之间的连接方式,特殊网络层的应用等网络结构以及优化器和损失函数的选择可以极大地提高预测的精度.本文提出多层LSTM算法,该算法是在传统LSTM算法上进行改进的单一模型,模型设计的复杂度低,可以提高机器学习的效率.模型采用一个输入层、5个隐藏层、1个输出层,同时包含1个全连接层和1个Dropout层,Dropout层的作用是防止机器学习过拟合.选择adam为模型优化器、mlse为模型损失函数、relu作为模型的激活函数.实验结果表明,与传统模型相比,该模型具有较好的泛化能力.

引用

页码：571 / 575

页数：5

共 8 条

[1]

基于改进CNN-LSTM组合模型的分时段短时交通流预测 [J].

李磊 ;

张青苗 ;

赵军辉 ;

聂逸文 .

应用科学学报, 2021, 39 (02) :185-198

[2]

基于LSTM-BP神经网络的道路拥堵时间智能预测 [J].

武佳琪 ;

李珂 ;

檀亚宁 .

数字技术与应用, 2020, 38 (05) :64-65

[3]

基于深度学习的网络流量异常预测方法 [J].

黎佳玥 ;

赵波 ;

李想 ;

刘会 ;

刘一凡 ;

邹建文 .

计算机工程与应用, 2020, 56 (06) :39-50

[4]

基于LSTM与传统神经网络的网络流量预测及应用 [J].

王海宁 ;

袁祥枫 ;

杨明川 .

移动通信, 2019, 43 (08) :37-44

[5]

Machine Learning-Based Models for Real-time Traffic Flow Prediction in Vehicular Networks [J].

Sun, Peng ;

Aljeri, Noura ;

Boukerche, Auedine .

IEEE NETWORK, 2020, 34 (03) :178-185

[6]

Research on short-term traffic flow prediction model based on RNN-LSTM.[J].Liu Shuying;Li Zhang;Li Hangfu.IOP Conference Series: Materials Science and Engineering.2020, 1

[7]

Deep Irregular Convolutional Residual LSTM for Urban Traffic Passenger Flows Prediction [J].