改进RNN的城市交通拥堵预测模型研究

准确的交通流状态识别是智能交通管理与控制的基础,针对城市交通网络中拥堵预测问题,使用一种基于深度学习网络的预测模型,通过对全天路面交通流数据的研究分析,得到对交通拥堵状态的准确判断及预测。通过利用改进RNN循环神经网络算法,对已有数据进行学习判断拥堵路段的数据序列,同时获取可表征数据深层特征的隐层参数。利用RNN模型在时间轴上的作用,根据可表征拥堵序列对交通拥堵状况进行预测。通过多次仿真实验,结果显示对交通拥堵时段预测准确率最高达到88%。预测模型在基于交通流数据的拥堵预测中具有更好的预测性能。