短时交通流预测能够帮助城市交通管理部门完成对交通的诱导与控制,减少城市拥堵程度、提高城市运行效率。提高预测效果是该技术发展的重点之一,本文选择交叉口区域路段为预测路段,预测方法选择深度学习理论中具有长期“记忆”能力的长短时记忆网络(Long Short Term Memory Network,LSTM),主要研究内容如下:1.首先,确定模型输入数据的构造形式,为此对交通流的时空特性分别作出分析:时间维度上,对预测路段进行时间序列分析研究,确定与当前时刻存在明显相关性的过去前5个时刻的历史流量数据;空间维度上,分析预测路段与相邻路段之间的空间相关性,确认与预测路段具有显著相关性的相邻路段,以此构建交通流数据的时空相关矩阵;2.接着,对交通流预测问题进行数学描述,使用预测路段及与其存在空间显著相关的邻近路段当前时刻之前的历史交通流量数据来对预测路段当前时刻的交通流量进行预测;在原有LSTM网络上作出改良,借助卷积和池化处理模型的输入数据,以此构建本文基于LSTM的短时交通流预测模型,并对模型进行参数调优处理。3.最后,设计实证方案,从模型的预测准确率、邻近路段对模型预测准确率影响情况以及模型的长期“记忆”能力三方面进行实例试验,得出结论:(1)本文模型预测准确率接近95%,相比于LSTM单点预测模型、BP神经网络模型(Back Propagation,BP)和支持向量机模型(Support Vector Machine,SVM)有着更好的预测效果。同时,模型对其他路段也具有较高的预测准确率,说明模型具有可移植性。(2)改变输入模型的邻近路段数量会影响本文模型的预测准确率。具体来说,随着引入的有效路段数量的增加,模型的预测准确率整体上呈上升趋势。(3)在输入的历史数据长度取不同值的情况下,对比上述其他模型来说,本文模型的预测准确率变化很小,验证了LSTM网络的长期“记忆”能力。
暂无评论