为降低道路交通事故率,减少事故损失,采用全局遍历性和收敛性较强的自适应学习策略灰狼优化(grey wolf optimizer,GWO)算法,对长短期记忆(long short term memory,LSTM)神经网络中的初始学习率、隐藏层节点数、正则化系数等参数进行优...为降低道路交通事故率,减少事故损失,采用全局遍历性和收敛性较强的自适应学习策略灰狼优化(grey wolf optimizer,GWO)算法,对长短期记忆(long short term memory,LSTM)神经网络中的初始学习率、隐藏层节点数、正则化系数等参数进行优化训练,构建GWO-LSTM道路交通事故量预测模型。以2000—2019年美国道路交通致死事故数据为样本数据,分别采用月粒度、周粒度、时粒度划分交通事故数据,对比分析GWO-LSTM模型、自回归移动平均(autoregressive moving average,ARMA)模型、反向传播(back propagation,BP)神经网络和LSTM神经网络的道路交通事故预测结果。结果表明:在3种时间粒度下,GWO-LSTM模型预测结果的平均绝对百分比误差和均方根误差均最小,预测准确度较高,可用于道路交通事故量预测中。展开更多
文摘为降低道路交通事故率,减少事故损失,采用全局遍历性和收敛性较强的自适应学习策略灰狼优化(grey wolf optimizer,GWO)算法,对长短期记忆(long short term memory,LSTM)神经网络中的初始学习率、隐藏层节点数、正则化系数等参数进行优化训练,构建GWO-LSTM道路交通事故量预测模型。以2000—2019年美国道路交通致死事故数据为样本数据,分别采用月粒度、周粒度、时粒度划分交通事故数据,对比分析GWO-LSTM模型、自回归移动平均(autoregressive moving average,ARMA)模型、反向传播(back propagation,BP)神经网络和LSTM神经网络的道路交通事故预测结果。结果表明:在3种时间粒度下,GWO-LSTM模型预测结果的平均绝对百分比误差和均方根误差均最小,预测准确度较高,可用于道路交通事故量预测中。
