基于KNN-LSTM的短时交通流预测

被引：166

作者：

罗向龙 ^{[1
,2
]}

李丹阳 ^{[1
]}

杨彧 ^{[1
]}

张生瑞 ^{[2
]}

机构：

[1] 长安大学信息工程学院

[2] 长安大学公路学院

来源：

北京工业大学学报 | 2018年 / 44卷 / 12期

关键词：

智能交通; 交通流预测; K-最近邻(KNN); 深度学习; 长短时记忆(LSTM)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：

082303 [交通运输规划与管理];

摘要：

针对现有预测模型无法在交通大数据中提取交通流序列的内部规律,且未能充分利用交通流的时空相关性以实现高精度预测的问题,提出了一种基于K-最近邻(K-nearest neighbor,KNN)与长短时记忆(long short term memory,LSTM)网络模型相结合的短时交通流预测模型.采用KNN算法选择路网中与预测站点时空相关的检测站,以选择的检测站的交通流序列构造数据集,将其输入LSTM模型中进行训练及测试,并通过美国交通研究数据实验室的真实交通数据对提出的模型进行验证.结果表明:与现有的交通预测模型相比,该方法能更好地提取交通流序列的时空特性,预测准确率平均可提高12. 28%,可为交通诱导与控制提供必要的依据.

引用

页码：1521 / 1527

页数：7

共 7 条

[1]

基于K近邻算法和支持向量回归组合的短时交通流预测 [J].

刘钊 ;

杜威 ;

闫冬梅 ;

柴干 ;

郭建华 .

公路交通科技, 2017, 34 (05) :122-128+158

[2]

基于GA-LSSVR模型的路网短时交通流预测研究 [J].

陈小波 ;

刘祥 ;

韦中杰 ;

梁军 ;

蔡英凤 ;

陈龙 .

交通运输系统工程与信息, 2017, 17 (01) :60-66+81

[3]

基于深度学习的短时交通流预测 [J].

罗向龙 ;

焦琴琴 ;

牛力瑶 ;

孙壮文 .

计算机应用研究, 2017, 34 (01) :91-93+97

[4]

高速公路短时交通流量预测的改进非参数回归算法 [J].

孙棣华 ;

李超 ;

廖孝勇 .

公路交通科技, 2013, 30 (11) :112-118

[5]

基于ARIMA与人工神经网络组合模型的交通流预测 [J].

谭满春 ;

冯荦斌 ;

徐建闽 .

中国公路学报, 2007, (04) :118-121

[6]

Traffic Flow Forecasting by a Least Squares Support Vector Machine with a Fruit Fly Optimization Algorithm.[J].Yuliang Cong;Jianwei Wang;Xiaolei Li.Procedia Engineering.2016,

[7]

Combining kohonen maps with arima time series models to forecast traffic flow [J].

vanderVoort, M ;

Dougherty, M ;

Watson, S .

TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES, 1996, 4 (05) :307-318

← 1 →