基于时空特性和组合深度学习的交通流参数估计

作者：张文松; 姚荣涵^*

来源：交通运输系统工程与信息, 2021, 21(01): 82-89.

DOI：10.16097/j.cnki.1009-6744.2021.01.013

• 智能交通
• 组合方法
• 深度学习
• 交通流参数
• 时空特性

为深入挖掘交通流时空特性,提高交通流参数估计精度,基于深度学习提出一种交通流参数估计的组合方法。根据目标断面及其上游断面的交通流数据构造输入矩阵,利用卷积神经网络捕捉交通流的空间特性,使用长短期记忆和门控循环神经网络挖掘交通流的时间特性,组合3种深度学习方法所得输出,得到交通流参数估计值。采用中国安徽省合肥市和美国加州萨克拉门托的交通流数据进行验证。结果表明:新方法的性能优于已有各种方法,使估计误差降低5.72%～33.29%;新组合方法具有较高的准确性和可靠性,能为智能交通系统运营与管理提供高质量的基础数据。

• 单位
  交通运输学院; 大连理工大学