考虑时空相关性的网络交通流短期预测

• 作者: 邵春福 薛松 董春娇 王晟由 庄焱
• 来源期刊: 北京交通大学学报
• 关键词: 智能交通 交通流短期预测 神经网络 相关性分析
• 年，卷（期）: 2021,（4）
• 所属期刊栏目: 交通运输规划与管理|Transportation Planning and Management
• 页码范围: 37-43
• 页数: 7页
• 分类号: U491
• 语种: 中文
• DOI: 10.11860/j.issn.1673-0291.20200115

摘要

实时、准确的交通流短期预测是交通诱导、管理的前提.为了提高预测精度,结合交通流数据中的历史时间相关性与网络空间断面相关性,构建了一种基于皮尔森相关系数法(Pearson Cor-relation Coefficient,PCC)与双向长短时记忆(Bidirectional Long Short Term Memory,BLSTM)架构的交通流短时预测模型.该模型可以通过PCC筛选路网中与目标路段空间相关的路段,并将其重构为新数据集,作为BLSTM预测模型的输入,以实现交通流短期预测.通过美国加州交通流数据对模型预测性能进行评价,实验结果表明:该模型可以融合交通流数据中的时空相关性,相对于其他主流预测模型精度平均可提高4.83％.