科研之友
微信
新浪微博
Facebook
分享链接
摘要
城市道路速度预测有助于引导驾驶人选择较为畅通的路径，减少等待时间，提高出行效率．城市交通状况受到多种因素影响，考虑多种交通流特征数据与天气数据，建立基于长短期记忆（long shortterm memory, LSTM）循环神经网络的道路行程速度预测组合模型．选取中国西安市南二环附近区域的滴滴出行浮动车数据，通过提取数据集的交通流特征（速度、流量、加速度和停车次数）和天气特征（温度、湿度、天气和风速）对道路行程速度进行预测．结果表明，与未加入外部特征的LSTM模型、误差逆传播（back propagation, BP）算法神经网络及支持向量回归（support vector regression, SVR）模型相比，融合多特征数据的组合模型平均绝对误差、均方误差和决定系数分别为2.695、13.838和0.771，置信区间为（-1.235, 1.795），均优于其他模型，具有更高的精度和稳定性．
- 单位
