首站-论文投稿智能助手
典型文献
基于LSTM及其变体的短时交通流预测
文献摘要:
在智能交通领域内,实时准确的短时交通流预测是实现智能交通诱导和控制的关键技术.交通流时间序列数据具有数量庞大的特性,很多方法不能有效地提高数据利用率,从而造成预测精度低下的问题.循环神经网络(Recurrent Neural Network,RNN)对时间序列的处理具有很高的效率,对此,本文在RNN的基础上,提出了长短时记忆(Long-Short Term Memory,LSTM)模型,并通过改变其内部参数和结构,建立了3种LSTM变体模型来对15 min短时交通流进行预测.实验结果表明,LSTM及其变体模型在预测准确性上,精度都达到了5%以内,相较于RNN都提高了3个百分点;而在LSTM类模型中,尤以LSTM3的预测性能最高,可用于长期的短时交通流预测.
文献关键词:
交通工程;交通流预测;神经网络;短时交通流;长短时记忆
作者姓名:
刘川
作者机构:
中交第二公路勘察设计研究院有限公司,湖北武汉 430056
文献出处:
引用格式:
[1]刘川-.基于LSTM及其变体的短时交通流预测)[J].交通节能与环保,2022(04):99-105
A类:
LSTM3
B类:
变体,短时交通流预测,智能交通,交通领域,交通诱导,流时,时间序列数据,多方法,数据利用率,循环神经网络,Recurrent,Neural,Network,RNN,长短时记忆,Long,Short,Term,Memory,流进,预测准确性,百分点,尤以,预测性能,交通工程
AB值:
0.269241
相似文献
机标中图分类号,由域田数据科技根据网络公开资料自动分析生成,仅供学习研究参考。