时空相关的短时交通流宽度学习预测模型

作者：罗向龙; 郭凰; 廖聪; 韩静; 王立新

来源：计算机工程与应用, 2022, 58(09): 181-186.

• 交通流预测
• 深度学习
• 宽度学习
• 时空相关

针对深度学习预测模型运算大的问题，在充分挖掘交通大数据的时空相关性的基础上，提出了一种基于K-最邻近（K-nearest neighbor,KNN）与宽度学习系统（broad learning system,BLS）相结合的短时交通流预测模型。利用KNN算法筛选与预测路段时空相关性高的K个路段，将选取路段的交通流数据作为BLS模型的输入分别进行预测，对选取不同路段的预测结果进行加权，以均方根误差（root mean square error,RMSE）为最小时对应K值的结果作为最终的预测值。美国加利福尼亚州交通局PeMs交通数据库实测的交通流量数据的测试结果表明，提出的模型相比于ARIMA、WNN、LSTM、KNN-LSTM模型均方根误差平均降低46.56%，运算效率明显提高，是一种有效的短时交通流预测方法。

• 单位
  中铁第一勘察设计院集团有限公司