基于平稳化长短期记忆网络模型的交叉口交通流量预测

作者：吕心钰; 施佺^*

来源：南通大学学报(自然科学版), 2022, 21(01): 37-43.

• 长短期记忆网络
• 平稳化
• 交通流量预测
• 深度学习

城市交叉口的道路通行能力目前已成为影响居民出行效率的重要因素之一。通过正向雷达道路车辆检测器采集过车数据，利用深度学习技术Tensorflow框架构建平稳化长短期记忆网络（long short-term memory,LSTM）交通量预测模型。该模型根据预测精度自适应机制更新层数和隐藏单元数，同时为了减小交通流序列的随机性，通过季节性时间差分方法对原始交通时间序列的输出特征序列进行了平稳化处理。在使用相同数据集条件下，将所提算法的预测结果与传统算法的结果进行对比，结果表明：平稳化的LSTM网络算法能有效提高交通流量预测的准确性，实际值与预测值拟合度超过95.5%，且在均方根误差和平均百分比误差上有较大的提升，该模型可为治理交通拥堵提供依据。

• 单位
  南通大学; 土木工程学院