基于GRU-RNN模型的交叉口短时交通流预测研究

作者：于德新; 邱实; 周户星; 王卓睿

来源：公路工程, 2020, 45(04): 109-114.

DOI：10.19782/j.cnki.1674-0610.2020.04.018

• 城市交通
• 短时交通流预测
• 深度学习
• 时间序列

为提升交叉口短时交通流预测精度,在深度学习的理论框架下,以历史交通流量数据作为研究基础,提出一种基于GRU-RNN的短时流量预测模型。首先采用随机森林算法对交通流量数据进行预处理,补全长周期缺失情况下的丢失数据,确保样本的完整性和准确性,其次采用GRU-RNN算法对短时流量进行预测,在MYECLIPSE的开发环境调整参数适应样本,进行模型的训练与验证,并与经典BP神经网络预测模型进行对比。结果表明,所提算法拟合优度(R2)为0.962,最接近1,稳定性最好,均方根误差(RMSE)为6.258,预测误差最小,与真实值最为接近,可为交通控制提供准确依据。

• 单位
  吉林大学