基于时空相关性的短时交通流预测模型

• 作者: 高小婷
• 来源期刊: 电脑知识与技术:学术版
• 学科: 工学
• 关键词: 短时交通流预测 经验模态分解 时空特性 长短期记忆单元
• 年，卷（期）: 2020,（18）
• 页码范围: 12-14
• 页数: 3页
• 分类号: TP311

摘要

准确、有效的交通流预测为智能交通系统提供数据基础,是实现道路交通状况预测和交通管控的重要技术之一。本文提出一种基于时空特性的经验模态分解(EMD)和长短期记忆(LSTM)神经网络相结合的交通流预测模型。首先,对交通流序列进行EMD分解得到具有不同时间尺度的本征模态分量,然后,结合空间特性采用LSTM神经网络对交通流进行预测。通过仿真实验可得:与传统的LSTM神经网络相比,基于时空特性的EMD-LSTM预测模型的均方根误差分别减少了3.81;平均绝对误差分别减少了2.29。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	高小婷	河北工业大学电子信息工程学院	3	1	1.0	1.0