基于TE-LSTM组合模型的短时交通流预测 |
| |
引用本文: | 唐诗韵.基于TE-LSTM组合模型的短时交通流预测[J].综合运输,2022(7):63-66. |
| |
作者姓名: | 唐诗韵 |
| |
作者单位: | 西南交通大学,交通运输与物流学院 |
| |
摘 要: | 为了提升城市道路智能交通控制和管理的合理性和有效性,从交通流时空特性角度出发,提出基于传递熵(TE)变量选择和长短时记忆(LSTM)神经网络模型的城市道路交通流预测方法。根据传递熵选取与被测对象时空因果关联性强的影响因素,将筛选所得的因素作为输入变量,建立TELSTM组合预测模型。采用自动车牌识别数据对算法进行训练和实验,并与基于随机森林(RF)、递归特征消除(RFE)、前向选择(FA)的LSTM组合预测模型对比。结果表明:TE-LSTM模型对道路交通流的预测准确度最高,交通流量预测的MAPE低于5%,在满足实际交通管理和控制的数据精度要求的同时,降低了预测模型的变量维度和复杂度,提升预测效率。
|
关 键 词: | 交通工程 交通流预测 传递熵 因果关系挖掘 LSTM神经网络 |
|
|