基于时空相关性的短时交通流预测模型

作者：高小婷

来源：电脑知识与技术, 2020, 16(18): 12-14.

DOI：10.14004/j.cnki.ckt.2020.1843

• 短时交通流预测
• 经验模态分解
• 时空特性
• 长短期记忆单元

准确、有效的交通流预测为智能交通系统提供数据基础,是实现道路交通状况预测和交通管控的重要技术之一。本文提出一种基于时空特性的经验模态分解(EMD)和长短期记忆(LSTM)神经网络相结合的交通流预测模型。首先,对交通流序列进行EMD分解得到具有不同时间尺度的本征模态分量,然后,结合空间特性采用LSTM神经网络对交通流进行预测。通过仿真实验可得:与传统的LSTM神经网络相比,基于时空特性的EMD-LSTM预测模型的均方根误差分别减少了3.81;平均绝对误差分别减少了2.29。

• 单位
  河北工业大学; 电子信息工程学院