基于深度学习的节假日高速公路交通流预测方法

被引：49

作者：

戢晓峰 ^{[1
,2
]}

戈艺澄 ^{[1
,2
]}

机构：

[1] 昆明理工大学交通工程学院

[2] 云南综合交通发展与区域物流管理智库

来源：

系统仿真学报 | 2020年 / 06期

关键词：

交通工程; 节假日交通流预测; 深度学习; LSTM-SVR; 高速公路交通流;

D O I：

暂无

中图分类号：

U491.14 [];

学科分类号：

摘要：

准确的预测节假日期间高速公路交通流量,能够为节假日高速公路应急管理提供重要的数据基础。利用深度学习的理论框架建立了LSTM-SVR预测模型,利用BP神经网络对样本数据进行处理,再将LSTM捕获的数据特征输入SVR回归层中实现交通流预测。选取"十一"黄金周前后时段,利用位于丽江市的交调站流量监测数据对LSTM-SVR模型进行验证,并将LSTM-SVR模型与其它模型预测效果进行对比。发现LSTM-SVR模型在节假日不同时段、天气、流量状态下的高速公路交通流预测中有较好的适用性。

引用

页码：1164 / 1171

页数：8

共 8 条

[1]

基于公路交通流大数据的节假日旅游流时空分异特征——以云南省2017年7个节假日为例 [J].

戢晓峰 ;

戈艺澄 ;

陈方 .

旅游学刊, 2019, 34 (06) :37-47

[2]

基于深度学习的交通流量预测 [J].

刘明宇 ;

吴建平 ;

王钰博 ;

何磊 .

系统仿真学报, 2018, 30 (11) :4100-4105+4114

[3]

考虑货车因素的高速公路短期交通流风险预测 [J].

张兰芳 ;

赵焜 .

同济大学学报(自然科学版), 2018, 46 (02) :208-214

[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]

基于CNN-SVR混合深度学习模型的短时交通流预测 [J].

罗文慧 ;

董宝田 ;

王泽胜 .

交通运输系统工程与信息, 2017, 17 (05) :68-74

[6]

高速路交通流短时预测方法 [J].

许岩岩 ;

翟希 ;

孔庆杰 ;

刘允才 .

交通运输工程学报, 2013, 13 (02) :114-119

[7]

基于OD稳定模式的高速公路出口流量预测方法研究 [J].

张平 ;

张明欣 ;

宋国杰 ;

董新品 ;

谢昆青 .

交通运输系统工程与信息, 2012, 12 (03) :122-128

[8]

Short-term traffic forecasting: Where we are and where we’re going[J] Eleni I. Vlahogianni;Matthew G. Karlaftis;John C. Golias Transportation Research Part C 2014,

← 1 →