典型文献
日交通流预测的编码器-解码器深度学习模型研究
文献摘要：
精准的日交通流预测是智能交通领域的重要研究内容之一.目前已有的日交通流预测模型大多在短期预测模型的基础上通过多步预测或者多目标预测的方式改进而来.这两种改进方案中,前者对误差的传播更为敏感,而后者则忽视了预测结果的时序关系,导致预测模型精度偏低.提出了一种用于日交通流预测的编码器-解码器深度学习模型,首先将长短时记忆网络(long short-term memory,LSTM)作为编码器-解码器模型的基本单元以提高模型捕捉长期依赖关系的能力,其次引入注意力机制调节编码向量的权重以进一步提高模型的预测精度.新的模型是一种典型的序列到序列预测模型,与传统的序列到点的模型相比更加契合日交通流预测的需求.为验证模型的有效性,取美国5号州际公路西雅图段的实际交通流数据进行实验,实验结果表明,提出的预测模型在平均车流密度大于40辆/km的时间段中,其预测结果的平均绝对百分比误差(mean absolute percentage error,MAPE)与LSTM、门控循环单元(gated recurrent unit,GRU)、反向传播(back propagation,BP)神经网络、卷积神经网络(convolutionalneural network,CNN)、图卷积网络(graph convolution network,GCN)传统预测模型相比,分别减小了19％、20％、25％、16％、25％.
文献关键词：
日交通流预测;编码器-解码器;深度学习;长短时记忆网络(LSTM);注意力机制
中图分类号：
作者姓名：
曹阳;茅一波;施佺
作者机构：
南通大学信息科学技术学院,江苏南通226019;南通大学交通与土木工程学院,江苏南通226019
文献出处：
引用格式：
[1]曹阳;茅一波;施佺-.日交通流预测的编码器-解码器深度学习模型研究)[J].计算机工程与应用,2022(22):284-290
A类：
日交通流预测,州际公路,convolutionalneural
B类：
编码器,解码器,深度学习模型,智能交通,交通领域,短期预测,多步预测,改进方案,时序关系,预测模型精度,长短时记忆网络,long,short,term,memory,基本单元,依赖关系,注意力机制,编码向量,序列到序列,序列预测,序列到点,验证模型,路西,西雅图,流数据,车流密度,平均绝对百分比误差,mean,absolute,percentage,error,MAPE,门控循环单元,gated,recurrent,unit,GRU,反向传播,back,propagation,network,图卷积网络,graph,GCN,传统预测模型
AB值：
0.3018
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。
