科研之友
微信
新浪微博
Facebook
分享链接
摘要
交通流预测是智能交通系统的关键。针对目前交通流数据复杂的时空关联性以及自身的不确定性，为准确预测高速公路交通流并缓解交通拥堵问题。为此，提出以自编码器网络(AE)和双向门控循环单元(BIGRU)相结合的深度学习组合预测模型(AE-BIGRU)，并在此基础上引入双通道注意力机制进行模型训练。将预处理后的数据采用滑动窗口的方式作为参数输入模型，通过AE提取交通流的空间特征，得到输入信息特征的最优抽象表示；利用BIGRU从前向和后向传播中都获取信息，充分提取交通流的时间相关特征，更全面的捕捉时间演变规律；最后结合双通道注意力机制，增强预测模型的特征提取能力，最大限度的保留特征信息，提升模型的预测精度；从而得到最终短时流量的预测目标值。为验证模型的适用性，采用多组短时交通流数据进行仿真实验，与其他基准模型对比发现：该交通流预测模型能够有效捕获交通流的动态时空特征，加强关键信息的提取，所预测的流量更加接近真实值，具有良好的泛化能力。其中测试集的均方根误差值下降了约0.061～0.604，平均绝对误差值下降了约0.025～0.512，相关系数值R2提高了约0.007～0.062。研究结果表明，随着预测步长的增加，该实验模型在交通流数据的时间特性上仍能表现出稳定的预测性能，所建的组合预测模型在预测精度和鲁棒性方面表现出更高水平。
- 出版日期2023
- 单位江西理工大学; 自动化学院
