科研之友
微信
新浪微博
Facebook
分享链接
摘要
精准高效的短时交通预测在区域交通路网的研究中具有重要意义。然而，交通模式复杂和动态的时空相关性，导致现有方法在结构深度和预测尺度方面不足以学习交通演变，因此，本文提出一种结合胶囊网络(CapsNet)和深层双向LSTM(D-BiLSTM)的深度学习模型，采用CapsNet识别路网的空间拓扑结构并提取空间特征，融合D-BiLSTM网络，同时考虑交通状态的前向和后向依赖关系，捕获不同历史时期的双向时间相关性，对目标区域内大规模复杂路网的交通进行预测。在真实交通路网速度数据集上进行的实验表明，提出模型的预测精度平均提高了10%以上，优于其他方法，在区域复杂路网的交通预测中具有较高的预测精度和良好的鲁棒性。
