文中提出了一种基于路段关联度的城市交通流量Apriori-LSTM(Apriori-long short term memory network)预测模型.处理卡口检测器数据,统计交通量并提取车辆轨迹,采用Apriori算法分析预测时段内目标路段与关联路段的时空相关性,计算关联...文中提出了一种基于路段关联度的城市交通流量Apriori-LSTM(Apriori-long short term memory network)预测模型.处理卡口检测器数据,统计交通量并提取车辆轨迹,采用Apriori算法分析预测时段内目标路段与关联路段的时空相关性,计算关联路段支持度;求解预测时段内关联路段到目标路段的流入量,构建LSTM预测的输入矩阵、并采用LSTM预测路段短时流量.采用实例进行验证,对迭代次数、隐藏层神经元个数和步长进行参数灵敏度分析,并与单一的LSTM预测结果进行比较.结果表明:Apriori-LSTM的平均绝对误差降至3.8%,平均绝对百分误差和平均均方误差均有显著降低,均等系数有所提高,模型稳定性更好,达到了更好预测效果.展开更多
文摘文中提出了一种基于路段关联度的城市交通流量Apriori-LSTM(Apriori-long short term memory network)预测模型.处理卡口检测器数据,统计交通量并提取车辆轨迹,采用Apriori算法分析预测时段内目标路段与关联路段的时空相关性,计算关联路段支持度;求解预测时段内关联路段到目标路段的流入量,构建LSTM预测的输入矩阵、并采用LSTM预测路段短时流量.采用实例进行验证,对迭代次数、隐藏层神经元个数和步长进行参数灵敏度分析,并与单一的LSTM预测结果进行比较.结果表明:Apriori-LSTM的平均绝对误差降至3.8%,平均绝对百分误差和平均均方误差均有显著降低,均等系数有所提高,模型稳定性更好,达到了更好预测效果.
