智能网联环境下基于混合深度学习的交通流预测模型

被引：45

作者：

陆文琦 ^{[1
,2
,3
]}

芮一康 ^{[1
,2
,3
]}

冉斌 ^{[1
,2
,3
]}

谷远利 ^{[4
]}

机构：

[1] 东南大学交通学院

[2] 东南大学—威斯康星大学智能网联交通联合研究院

[3] 东南大学城市智能交通江苏省重点实验室

[4] 北京交通大学综合交通运输大数据应用技术行业重点实验室

来源：

交通运输系统工程与信息 | 2020年 / 20卷 / 03期

关键词：

智能交通; 速度预测; 混合深度学习; 交通流; 集成经验模态分解;

D O I：

10.16097/j.cnki.1009-6744.2020.03.008

中图分类号：

U491 [交通工程与交通管理];

学科分类号：

082301 [道路与铁道工程];

摘要：

为适应未来智能网联环境下精细化交通流预测需求,提出一种基于混合深度学习(Hybrid Deep Learning, HDL)的车道级交通流速度预测模型.模型以智能网联系统强大的数据采集和计算能力为基础,采用集成经验模态分解算法将原始速度序列分解为多个固有模态函数分量和残差分量,并将所得分量重构为模型输入;利用双向长短期记忆神经网络和注意力机制,构建深度学习模型框架;为检验模型预测精度和可靠性,选择北京市二环路多个连续车道断面速度数据进行算法验证.结果表明,HDL模型在不同车道均有理想的预测结果,单步和多步预测精度均显著优于对比模型.

引用

页码：47 / 53

页数：7

共 8 条

[1]

基于组合深度学习的快速路车道级速度预测研究 [J].

谷远利 ;

陆文琦 ;

李萌 ;

王硕 ;

邵壮壮 .

交通运输系统工程与信息, 2019, 19 (04) :79-86

[2]

交通流预测的马尔科夫粒子滤波方法研究 [J].

于泉 ;

姚宗含 .

交通运输系统工程与信息, 2019, 19 (02) :209-215

[3]

智能网联交通技术发展现状及趋势 [J].

冉斌 ;

谭华春 ;

张健 ;

曲栩 .

汽车安全与节能学报, 2018, 9 (02) :119-130

[4]

基于深度学习的短时交通流预测研究 [J].

王祥雪 ;

许伦辉 .

交通运输系统工程与信息, 2018, 18 (01) :81-88

[5]

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,

[6]

The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis [J].