典型文献
基于ATT-LSTM模型的高速公路交通事件持续时长预测
文献摘要：
为揭示交通事件对高速公路运行状态持续时间的影响规律,研究了高速公路交通事件持续时长预测方法.考虑高速公路交通事件时间序列特性,基于循环神经网络理论,从时间序列数据中提取交通事件时间依赖关系;通过引入长短时记忆网络,结合特征、时序注意力层挖掘历史时刻信息和当前时刻数据间的相关性,构建基于注意力机制-长短时记忆网络的高速公路交通事件持续时长预测模型.以2018年西安绕城高速公路交通监测数据集为例,开展了高速公路交通事件持续时长预测模型验证,对比了所提模型与反向传播神经网络、随机森林、支持向量机、长短时记忆网络模型这4种典型算法的预测精度,并分析了事件类型、天气条件、车辆类型、交通量等不同影响因素对持续时长的影响程度.结果表明:使用同一数据集,注意力机制-长短时记忆网络预测模型的预测结果平均绝对误差为24.43,平均绝对百分比误差为25.24％,均方根误差为21.17,预测精度优于其他4种预测方法.在模型的各影响因素权重中,事件类型所占权重最大为0.375,其次分别为车道数、车辆类型、天气等;采用立交出入口小时交通量作为修正参数,可以进一步提升预测精度,预测结果的绝对误差、平均绝对百分比误差和均方根误差可分别降低21.3％、7.5％和16.9％.研究结果能进一步提高高速公路交通事件持续时长预测的精度,为公路安全高效运行提供技术支持.
文献关键词：
交通安全;高速公路;交通事件;持续时长;注意力机制;长短时记忆网络
中图分类号：
作者姓名：
贾兴利;李双庆;杨宏志;陈星澎
作者机构：
长安大学公路学院 西安 710064;咸阳市规划设计研究院 陕西 咸阳 712000
文献出处：
引用格式：
[1]贾兴利;李双庆;杨宏志;陈星澎-.基于ATT-LSTM模型的高速公路交通事件持续时长预测)[J].交通信息与安全,2022(05):61-69
A类：
B类：
ATT,高速公路交通,交通事件,持续时长,状态持续时间,事件时间,序列特性,循环神经网络,网络理论,时间序列数据,时间依赖,依赖关系,注意力层,注意力机制,绕城,交通监测,集为,模型验证,反向传播神经网络,长短时记忆网络模型,了事,事件类型,天气条件,车辆类型,交通量,一数,平均绝对误差,平均绝对百分比误差,影响因素权重,车道,道数,立交出入口,修正参数,差可,公路安全,安全高效运行,交通安全
AB值：
0.2349
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。
