融合多特征神经网络的城市道路速度预测研究

作者：熊振华; 李恒凯^*

来源：测绘科学, 2021, 46(09): 168-177.

DOI：10.16251/j.cnki.1009-2307.2021.09.022

• 交通预测
• 深度学习
• 时序分析
• 长短期记忆网络

交通速度预测是智能交通系统的重要组成部分,该文从交通路网时空分布特征入手,引入天气状态、空气质量和时间属性特征变量,建立了基于多源特征融合的双向长短期记忆网络框架(MF-BiLSTM)。以此模型为基础,对基于滴滴开源算法计算得到的成都市道路速度时序数据集进行建模分析,分别选取了RNN、ARIMA、CNN、多层LSTM和单层LSTM网络5个基准模型进行验证。结果表明,MF-BiLSTM在一个标准周内的各个时间段均优于基准模型,在不同道路等级下能表现出较高的稳定性,与上述基准模型相比预测精度分别提高了2.94%、1.02%、2.45%、1.10%和1.67%。同时,在不同天气状态和空气质量等级下,MF-BiLSTM均能表现出更加准确和平稳的预测性能。

• 单位
  江西理工大学