典型文献
基于两级分解和GRU-AT网络的短时交通流预测模型
文献摘要：
为提升城市道路短时交通流预测准确性,提出了一种基于小波分解(wavelet decomposition,WD)、变分模态分解(vari-ational mode decomposition,VMD)和融合注意力机制(attention,AT)的门控循环单元(gated recurrent units,GRU)网络的短时交通流预测模型.首先采用WD算法将原始交通流数据分解重构成低频分量和高频分量;然后将各高频分量累加,利用VMD算法将其分解为多个本征模态函数(intrinsic mode functions,IMF)分量;最后通过建立GRU-AT模型,提高模型对交通流重要特征信息提取的能力,分别预测算法分解后的交通流分量,将各个分量预测的最优结果进行聚合后获得最终的交通流预测结果.以国内外道路交通流数据为基础进行实例验证,结果表明,WD+VMD+GRU-AT模型的均方误差的平方根、平均绝对误差均小于长短时记忆(long short-term memory,LSTM)网络模型、GRU、WD+GRU、WD+VMD+GRU,提高了短时交通流预测结果的准确度和稳定性.
文献关键词：
短时交通流预测;小波分解;变分模态分解;门控循环单元网络
中图分类号：
作者姓名：
庞稀廉;龙科军
作者机构：
长沙理工大学交通运输工程学院,长沙410114;智能道路与车路协同湖南省重点实验室, 长沙410114
文献出处：
引用格式：
[1]庞稀廉;龙科军-.基于两级分解和GRU-AT网络的短时交通流预测模型)[J].科学技术与工程,2022(35):15792-15801
A类：
WD+VMD+GRU,WD+GRU
B类：
两级,AT,短时交通流预测,城市道路,预测准确性,于小波,小波分解,wavelet,decomposition,变分模态分解,vari,ational,mode,注意力机制,attention,gated,recurrent,units,流数据,数据分解重构,低频分量,高频分量,累加,本征模态函数,intrinsic,functions,IMF,特征信息提取,预测算法,外道,道路交通流,均方误差,平方根,平均绝对误差,长短时记忆,long,short,term,memory,门控循环单元网络
AB值：
0.277974
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。
