路网交通流在时空分析背景下的预测研究

深度学习近年来被广泛应用于交通工程领域,针对大型路网中单个路段的交通流预测考虑因素单一、预测精度不高的问题,充分利用长短时记忆（LSTM）网络在时序数据处理方面的优势,结合路网交通流时空分析并运用LSTM模型进行预测。通过对路网中路段检测站点间交通流数据进行相关性计算,并设置不同阈值来选择出代表路段的编号构造原始数据矩阵,对矩阵进行压缩来增加运算效率,最后将压缩矩阵输入模型中进行预测。设置仿真对比实验,验证了提出的方法相较于其他几种模型预测准确率平均可提升11.84%,是一种高效率的交通流预测方法。     

基于小波去噪和LSTM模型的短时交通流预测

针对现有的部分交通流预测模型仅面向单一路段进行,模型输入数据未预处理的问题,采用启发式阈值算法对小波分解后的原始交通流数据进行去噪处理,通过对路网内各路段交通流数据相关性系数计算,构造出路网交通流数据压缩矩阵。数据去噪将数据对模型的干扰降到最低,同时路网数据相关性分析又使预测在路网层面上进行了考量。利用长短时记忆(LSTM)网络在时序数据处理方面的优势,将压缩矩阵输入构造好的LSTM模型进行短时交通流预测。利用去噪处理数据和原始数据分别训练LSTM-1和LSTM-2模型,通过仿真实验,设置不同预测时间将本文提出的预测方法和其他4种模型对比,验证了相较于其他4种模型预测的准确率平均可提升10.278%,预测的准确率达到了95.58%,说明这是一种高效率的短时交通流预测方法。