基于改进GRU模型的高速公路短时交通量预测

作者：温惠英; 元昱青; 赵胜

来源：广西大学学报(自然科学版), 2023, 48(02): 459-468.

DOI：10.13624/j.cnki.issn.1001-7445.2023.0459

• 高速公路
• 短时交通量预测
• 灰狼算法
• 超参数自适应优化
• 门控循环单元神经网络

为了提高短时交通流的预测精度，采用灰狼算法(grey wolf optimizer, GWO)优化门控循环单元(gate recurrent unit, GRU)神经网络参数，构建基于超参数自适应寻优的高速公路短时交通流量预测模型，提取交通流的时变特征，准确预测短时交通流量。选取高速公路出口匝道交通数据作为实验数据输入，基于TensorFlow为后端的Keras完成GWO-GRU模型框架的搭建，并与支持向量回归算法(support vector regression, SVR)、K近邻算法(k-nearest neighbor, KNN)、长短期记忆神经网络(long-short term memory, LSTM)、门控循环单元(GRU)模型进行对比分析。实验结果表明，在3种不同时间间隔的高速公路匝道交通数据集的预测中，改进后的GRU模型具有较好的预测性能，其平均绝对误差(mean absolute error, MAE)比次优模型分别减小了9.22%、8.54%、8.03%。

• 单位
  华南理工大学