典型文献
基于CNN-BiLSTM的高速公路交通流量时空特性预测
文献摘要：
目前,高速公路交通管控部门对准确交通数据的掌握还存在局限性,预测值也不够精确,为给出行者提供更好的交通引导,必须采用新方法预估误差较小的交通流量数据.提出一种同时考虑时间与空间因素的卷积-双向长短期记忆(CNN-BiLSTM)模型,将具有空间局部特征提取能力的卷积神经网络(CNN)和具有能同时考虑前后方向长时间信息的双向长短期记忆(BiLSTM)相结合,将其用于预测更能体现随时空变化不断波动的交通流量.以一些简单的基准方法作为对比模型,采用均方误差(MSE)等5项评估指标,在美国加州高速公路数据集上进行训练和测试,结果表明:由CNN-BiLSTM得出的预测结果更符合实际交通流量的变化趋势,在高峰期和波动较大时间段均能较好地拟合真实值,灵敏度较高.
文献关键词：
高速公路;交通流量预测;时空特性;卷积神经网络;双向长短期记忆网络
中图分类号：
作者姓名：
刘永乐;谷远利
作者机构：
北京交通大学 综合交通运输大数据应用技术交通运输行业重点实验室,北京 100044
文献出处：
引用格式：
[1]刘永乐;谷远利-.基于CNN-BiLSTM的高速公路交通流量时空特性预测)[J].交通科技与经济,2022(01):9-18
A类：
B类：
BiLSTM,高速公路交通,时空特性,特性预测,交通管控,对准,交通数据,出行者,流量数据,时间与空间,空间因素,有空,局部特征提取,特征提取能力,前后方,时间信息,时空变化,基准方法,对比模型,均方误差,MSE,美国加州,路数,符合实际,高峰期,大时间,真实值,交通流量预测,双向长短期记忆网络
AB值：
0.295526
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。
