交通流预测是城市智能交通系统的重要组成部分。随着人工智能和机器学习的不断发展,深度学习在交通工程领域得到了广泛的应用。选取门控循环单元(Gated Recurrent Unit, GRU)神经网络作为研究对象,利用交叉验证法探究GRU模型的最佳门控...交通流预测是城市智能交通系统的重要组成部分。随着人工智能和机器学习的不断发展,深度学习在交通工程领域得到了广泛的应用。选取门控循环单元(Gated Recurrent Unit, GRU)神经网络作为研究对象,利用交叉验证法探究GRU模型的最佳门控循环单元个数,并与支持向量机回归等三种预测模型通过不同指标进行综合评价和对比。结果表明,与其它3种模型相比,GRU模型具有良好的预测性能。展开更多
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...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.展开更多
文摘交通流预测是城市智能交通系统的重要组成部分。随着人工智能和机器学习的不断发展,深度学习在交通工程领域得到了广泛的应用。选取门控循环单元(Gated Recurrent Unit, GRU)神经网络作为研究对象,利用交叉验证法探究GRU模型的最佳门控循环单元个数,并与支持向量机回归等三种预测模型通过不同指标进行综合评价和对比。结果表明,与其它3种模型相比,GRU模型具有良好的预测性能。
文摘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.
