基于深度学习的短时交通流预测模型

作者：张龄允; 韩莹; 张凯^*; 卢海鹏; 丁昱杰

来源：计算机与现代化, 2022, (07): 54-60.

• 短时交通流预测
• 互补集成经验模态分解
• 卷积神经网络
• 长短期记忆网络
• 学习效率

交通流预测在智能交通领域有着重要的现实意义。由于交通流数据受多种因素影响，平稳性差、随机性强，呈现出高度非线性的特征，使得交通流预测极为困难。针对短时交通流预测准确性的要求，本文提出一种基于互补集成经验模态分解（Complete Ensemble Empirical Mode Decomposition,CEEMD），并结合卷积神经网络（Convolutional Neural Networks,CNN）和长短期记忆网络（Long Short-Term Memory,LSTM）的短时交通流预测方法。模型通过CEEMD信号分解减少噪声对交通流数据预测的影响，采用CNN、LSTM充分挖掘数据的时空特征，使得模型做出更加准确的判断，从而提高神经网络的学习效率。在真实交通流数据上进行实验验证，结果表明，本文提出的模型可以有效提高交通流预测的准确性。

• 单位
  自动化学院; 南京信息工程大学