基于GWO-LSTM模型的道路交通事故量预测

作者：孔维麟; 李文栋^*; 杨立柱; 张鲁玉; 王庆斌

来源：山东交通学院学报, 2023, 31(04): 60-67.

• 交通事故
• LSTM神经网络
• GWO算法
• 时间粒度

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。

• 单位
  云南省设计院集团有限公司; 山东建筑大学; 中国市政工程西北设计研究院有限公司