基于CNN-ResNet-LSTM模型的城市短时交通流量预测算法

• 作者: 朱强 王文涵 蒲悦逸 陈朋朋
• 来源期刊: 北京邮电大学学报
• 学科: 工学
• 关键词: 短时交通流量预测 深度学习 长短期记忆循环神经网络 卷积神经网络
• 年，卷（期）: 2020,（5）
• 所属期刊栏目: 论文
• 页码范围: 9-14
• 页数: 6页
• 分类号: TP18
• 语种: 中文
• DOI: 10.13190/j.jbupt.2019-243

摘要

针对交通流量特性和外部因素对交通流量预测结果的影响,提出了一种对城市短时交通流量预测的模型CNN-ResNet-LSTM,将卷积神经网络(CNN)、残差神经单元(ResNet)和长短期记忆循环神经网络(LSTM)集成到一个端到端的网络框架.利用卷积神经网络来捕获城市区域间交通流量的局部空间特征,并在卷积神经网络中加入多个残差神经单元来加深网络深度,可提高预测的准确性;利用长短期记忆循环神经网络来捕获交通流量数据的时间特征;利用相应的权重将2个网络的输出结果融合,得到通过轨迹数据预测的结果;最后与外部因素融合,得到城市区域的交通流量预测值.用北京市轨迹交通数据对该模型进行验证,CNN-ResNet-LSTM模型不仅在准确率方面比传统模型高,而且在保证预测准确率的情况下,模型使用的参数也少.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	朱强		8	4	1.0	1.0
2	陈朋朋		6	5	1.0	2.0
3	蒲悦逸		1	0	0.0	0.0
4	王文涵		3	0	0.0	0.0