基于机器视觉的短时交通流量参数估计方法研究

作者：沈洁

来源：自动化与仪器仪表, 2021, (11): 151-155.

DOI：10.14016/j.cnki.1001-9227.2021.11.151

• 短时交通流量预测
• DWNN网络
• 注意力机制
• LSTM网络

针对传统单一特征模型难以充分提取时间特征导致的模型预测准确率低的问题,研究在深度学习的基础上,提出一种基于注意力机制的动态小波变换网络(DWNN)预测模型。通过结合DWNN模块与双向LSTM编解码器,并通过注意力机制对上下文信息进行加权和存储,提取得到相关有用信息,实现了对短时交通流量参数的预测。最后,通过在PEMS数据集上仿真测试,验证了本研究提出方法的有效性。结果表明,本研究基于注意力机制的DWNN预测模型可准确预测短时交通流量,相较于标准DWNN模型,本研究模型预测结果与实际值更接近,且在RMSE、MAE、MAPE三项指标上表现良好,分别下降了8.07%、10.7%、10.9%,具有更高的预测准确性和适应性,可用于实际短时交通流量预测。

• 单位
  山东电子职业技术学院