科研之友
微信
新浪微博
Facebook
分享链接
摘要
城市道路平均车速预测不仅是智能交通信息服务系统必不可少的组成部分，也是智能交通控制和管理系统的重要支撑。以实际的城市区域路网为研究对象，构建路网空间权重矩阵，采用时空自相关函数(ST-ACF)分析实验路网平均车速的时空相关性。在此基础上，构建基于卷积神经网络-长短期记忆网络(CNN-LSTM)的短时交通速度预测模型，既能学习平均速度数据的动态变化特征来捕获时间依赖关系，又能学习复杂的拓扑结构来捕获空间依赖关系。通过对未来5 d内5 min时间粒度的平均车速值进行预测，并与ARIMA,BPNN,CNN3个基准模型的预测结果对比，验证了构建的CNN-LSTM模型能较好地适用于实际区域路网的平均车速预测。本研究有助于为交通管理者提供交通事故预判和交通拥堵缓解的决策依据，也是对城市道路交通治堵技术的一次有益补充。
-
单位同济大学浙江学院; 常熟理工学院; 苏州市轨道交通集团有限公司
