基于改进时空残差卷积神经网络的城市路网短时交通流预测

作者：包银鑫; 曹阳; 施佺

来源：计算机应用, 2021, 1-8.

• 短时交通流预测
• 时空分析
• 残差网络
• 皮尔逊相关系数
• 长短时记忆
• 卷积神经网络
• 组合模型

城市路网交通流预测受到历史交通流和相邻路口交通流的影响，具有复杂的时空关联性。针对传统时空残差模型缺乏对交通流数据进行相关性分析、捕获微小变化容易忽略长期时间特征等问题，提出一种基于改进时空残差卷积神经网络的城市路网短时交通流预测模型。该模型将原始交通流数据转化成交通栅格数据，利用皮尔逊相关系数（PCC）对交通栅格数据进行相关性分析，确定相关性高的周期序列和邻近序列，同时建立周期序列模型和邻近序列模型，引入长短时记忆（LSTM）神经网络作为混合模型提取时间特征，捕获两种序列的长期时间特征。利用成都市车流量数据对模型进行验证，结果表明该模型预测结果优于长短时记忆（LSTM）网络、卷积神经网络（CNN）和传统残差模型等基准模型，以均方根误差（RMSE）为评价指标，将测试集中交通路网的平均预测精度分别提高了25.6%、13.3%和3.2%。

• 单位
  土木工程学院; 南通大学