基于门限递归单元循环神经网络的交通流预测方法研究

被引：19

作者：

王体迎 ^{[1
]}

时鹏超 ^{[1
]}

刘蒋琼 ^{[2
]}

刘博艺 ^{[3
]}

时天昊 ^{[4
]}

机构：

[1] 海南大学机电工程学院

[2] 海南大学热带农林学院

[3] 海南大学信息科学技术学院

[4] 山东科技大学交通学院

来源：

重庆交通大学学报(自然科学版) | 2018年 / 37卷 / 11期

基金：

海南省自然科学基金;

关键词：

交通运输工程; 智能交通系统; 交通流量预测; 门限递归单元; 递归神经网络;

D O I：

暂无

中图分类号：

U491.1 [交通调查与规划];

学科分类号：

摘要：

为了有效地实施智能交通管理系统,需要进一步提高交通流量预测的准确率。提出了一种基于门限递归单元循环神经网络的短时交通流量预测方法,该方法可以不依靠先验知识,有效地利用"序列信息"建模。通过使用该方法对加拿大大不列颠哥伦比亚省的真实交通流量数据进行建模分析,并对比了在不同滞后时间的输入数据下该方法的预测效果,然后将其与ARIMA和SVR的预测结果进行了对比,同时也展示了该方法在工作日和周末的实际预测效果。结果表明:该方法预测效果良好,其平均绝对百分误差比ARIMA与SVR分别平均降低了74.72%和12.15%,预测值和实际交通流量吻合度高,是一种预测精度高且有效的交通流量预测方法。

引用

页码：76 / 82

页数：7

共 12 条

[1] 高斯过程回归短时交通流预测方法
康军
段宗涛
唐蕾
刘研
王超
[J]. 交通运输系统工程与信息, 2015, 15 (04) : 51 - 56
[2] 高速路交通流短时预测方法
许岩岩
翟希
孔庆杰
刘允才
[J]. 交通运输工程学报, 2013, 13 (02) : 114 - 119
[3] 短时交通流预测模型
樊娜
赵祥模
戴明
安毅生
[J]. 交通运输工程学报, 2012, 12 (04) : 114 - 119
[4] Short-term traffic flow prediction using seasonal ARIMA model with limited input data
Kumar, S. Vasantha
Vanajakshi, Lelitha
[J]. EUROPEAN TRANSPORT RESEARCH REVIEW, 2015, 7 (03)
[5] Dynamic Bus Travel Time Prediction Models on Road with Multiple Bus Routes[J] . Cong Bai,Zhong-Ren Peng,Qing-Chang Lu,Jian Sun,Christian W. Dawson.Computational Intelligence and Neuroscience . 2015
[6] 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
[7] Deep learning in neural networks: An overview[J] . Jürgen Schmidhuber.Neural Networks . 2014
[8] Learning Deep Architectures for AI
Bengio, Yoshua
[J]. FOUNDATIONS AND TRENDS IN MACHINE LEARNING, 2009, 2 (01): : 1 - 127
[9] Gradient-based learning applied to document recognition
Lecun, Y
Bottou, L
Bengio, Y
Haffner, P
[J]. PROCEEDINGS OF THE IEEE, 1998, 86 (11) : 2278 - 2324
[10] Long short-term memory
Hochreiter, S
Schmidhuber, J
[J]. NEURAL COMPUTATION, 1997, 9 (08) : 1735 - 1780

← 1 2 →