考虑噪声影响的短时交通流预测模型及验证

作者：程雅婷; 赵胜利; 谷远利^*

来源：交通科技与经济, 2023, 25(02): 11-23.

DOI：10.19348/j.cnki.issn1008-5696.2023.02.002

• 智能交通
• 速度预测
• 小波变换
• 双向长短期记忆网络
• 自回归滑动平均模型

为进一步提高交通流预测的精确性，相较于忽略噪声影响的传统预测方法，提出一种基于小波变换的双向长短时记忆神经网络-自回归滑动平均模型的预测模型(WBLA)。WBLA模型首先采用小波变换，将交通流数据分解为特征项及噪声项，在此基础上，对特征项采用双向长短时记忆神经网络(BiLSTM)进行预测，对噪声项采用自回归滑动平均模型(ARMA)进行预测，最后对两项预测结果求和作为最终的预测结果。将未考虑噪声影响的其它基准方法作为对比模型，在美国加州高速公路交通流数据集上进行测试及验证，实验结果表明：WBLA模型同未考虑噪声影响的次好模型相比，MAE、RMSE和MAPE分别下降17.86%、15.98%、16.39%,表明WBLA模型符合实际交通流速度变化趋势，模型合理性得到验证。

• 单位
  北京交通大学