路网交通流在时空分析背景下的预测研究
2020-09-04李彤伟王庆荣
计算机工程与应用 2020年17期
关键词:模型
李彤伟,王庆荣
兰州交通大学 电子与信息工程学院,兰州 730070
1 引言
随着人们出行需求的提升,国内汽车保有量也与日俱增,交通拥堵、交通污染、交通噪声等一系列问题日益严重,智能交通系统(ITS)是全世界公认的缓解各类交通问题、提高道路通行效率的有效途径。实时、准确的交通流预测更是交通诱导、出行路线规划等的前提和基础,也是智能交通系统研究的核心问题,所以作为ITS和交通诱导控制系统关键技术难点之一的短时交通流预测成为时下研究的热点。
引入混沌理论、应用智能算法、组合各类模型是过去研究短时交通流预测的主要方法。近年来国内外研究人员给予了深度学习方法高度关注,深度学习中的深度信念网络(DBN)[1]、长短时记忆(LSTM)网络[2]和堆叠自编码(SAE)模型[3]借助其能够处理大规模的多维数据,具有模型灵活度高、学习能力强、泛化能力强、预测力强等特点[4-6],并获得比其他传统方法更好的结果[7]。国内外学者有较多相关研究成果,Huang等[1]以DBN为底部的堆栈架构,充分利用深层架构中的权重共享提出了一种基于顶层权重的分组方法取得了较好的预测效果,但是文中对交通流数据时间信息的挖掘并不充分;Lyu等[8]第一次使用自动编码器作为构建块来表示用于预测的交通流特征深层架构模型,但该方法未考虑交通数据量处理对预测结果的影响;罗文慧等[9]应用卷积神经网络提取交通流特征,将特征分量输入到SVR 回归模型中进行预测,虽在准确率上有了较大提升,但是未充分考虑交通路网的复杂性;……
登录APP查看全文
