基于深度学习的短时交通流预测研究

被引:95
作者
王祥雪
许伦辉
机构
[1] 华南理工大学土木与交通学院
基金
广东省自然科学基金;
关键词
交通工程; 交通流预测; LSTM-RNN; 时间序列; 深度学习;
D O I
10.16097/j.cnki.1009-6744.2018.01.012
中图分类号
U491.14 [];
学科分类号
摘要
针对交通流时间序列,在深度学习的理论框架下,构建基于LSTM-RNN的城市快速路短时交通流预测模型.根据交通流的时空相关性完成时间序列的重构,依靠模型训练对时空关联特性进行识别和强化,兼顾精度和时效性确定神经网络深度,完成短时交通流预测模型搭建.基于Tensor Flow的Keras完成LSTM-RNN的逐层构建和精细化调参,利用路网实测数据样本完成算法验证,实现模型本地保存并根据预测精度进行自适应更新.结果表明,本文所采用的预测算法精度高,受训练样本量的限制较小,实时性、扩展性和实用性均得到有效提高.
引用
收藏
页码:81 / 88
页数:8
相关论文
共 6 条
[1]   改进粒子群算法优化BP神经网络的短时交通流预测 [J].
李松 ;
刘力军 ;
翟曼 .
系统工程理论与实践, 2012, 32 (09) :2045-2049
[2]   基于LSTM型RNN的CAPTCHA识别方法 [J].
张亮 ;
黄曙光 ;
石昭祥 ;
胡荣贵 .
模式识别与人工智能, 2011, 24 (01) :40-47
[3]  
时间序列的相关性及信息熵分析[D]. 史文彬.北京交通大学. 2016
[4]  
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
[5]   A hybrid traffic flow model for real time freeway traffic simulation [J].
Zhang, Liguo ;
Ma, Yong ;
Shi, Liang .
KSCE JOURNAL OF CIVIL ENGINEERING, 2014, 18 (04) :1160-1164
[6]  
Traffic prediction using multivariate nonparametric regression .2 Clark,Stephen. Journal of Transportation Engineering . 2003