基于长短时记忆网络的Encoder-Decoder多步交通流预测模型

被引：18

作者：

王博文 ^{[1
]}

王景升 ^{[1
]}

王统一 ^{[2
]}

张子泉 ^{[1
]}

刘宇 ^{[1
]}

于昊 ^{[1
]}

机构：

[1] 中国人民公安大学交通管理学院

[2] 山东科技大学电气信息系

来源：

重庆大学学报 | 2021年 / 44卷 / 11期

关键词：

交通流预测; LSTM; 编码器-解码器; 多步预测; 深度学习;

D O I：

暂无

中图分类号：

U491.14 [];

学科分类号：

摘要：

交通流序列多为单步预测。为实现交通流序列的多步预测,提出一种基于编码器-解码器(encoder-decoder, ED)框架的长短期记忆网络(long short-term memory, LSTM)模型,即ED LSTM模型。将自回归滑动平均、支持向量回归机、XGBOOST、循环神经网络、卷积神经网络、LSTM作为对照组进行实验验证。实验结果表明,当预测时间步长增加时,ED框架能够减缓模型性能的下降趋势,LSTM能够充分挖掘时间序列中的非线性关系。除此之外,在单变量输入的情况下,在PEMS-04数据集上,当预测时间步长为t+1到t+12的12个时间步时,ED LSTM模型的均方根误差(root mean squard error, RMSE)及平均绝对误差(mean absolute error, MAE)分别下降0.210～5.422、0.061～0.191。相较于单因素输入,多因素输入的ED LSTM模型在12个预测时间步长下,RMSE、MAE分别下降0.840、0.136。实验证明了ED LSTM模型能够有效地用于交通流序列的多步及单因素、多因素预测任务。

引用

页码：71 / 80

页数：10