基于车联网的短时交通流预测

• 作者: 李磊 赵军辉
• 来源期刊: 江西公路科技
• 学科: 工学
• 关键词: 交通流 车联网 长短时记忆网络 差分整合移动平均自回归模型
• 年，卷（期）: 2019,（4）
• 页码范围: 69-72
• 页数: 4页
• 分类号: TP3

摘要

面对巨大的交通数据处理,传统的交通流预测模型预测效果不佳,为更深入分析路网的交通状况和实现交通优化控制策略,本文结合车联网技术,以交通流数据为研究对象,建立基于长短时记忆网络(Long Short Term Model,LSTM)的预测模型,选取美国加州PEMS系统的实际交通流数据作为实验数据,对比传统时间序列预测模型,发现LSTM预测模型比传统差分整合移动平均自回归模型(Auto Regressive Integrated Moving Average,ARIMA)的预测误差更小,同时也能达到更好的交通流预测效果.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	赵军辉	华东交通大学信息工程学院	15	39	3.0	6.0
2	李磊		1	0	0.0	0.0