基于深度门限堆叠长短期记忆神经网络的交通流量预测

深度学习和大数据技术在交通流量预测中越来越流行,深度神经网络也已应用于交通流预测。此外,由于模型结构不良,参数优化技术不合适,交通流预测缺乏确定性而不准确。本文所提方法通过将多个简单的递归长短期记忆(LSTM)神经网络与时间特征相结合来克服这些问题,以使用深度门控堆叠神经网络来预测交通流。为了加深模型,已使用无监督的逐层方法来训练隐藏层。隐藏层表示通过捕获多个级别的信息来提高时间序列预测的准确性。此外,论述模型结构、随机权重初始化和堆叠LSTM中使用的超参数对增强预测性能的重要性。