基于GCN-LSTM模型的绿波控制下的交通流预测

针对城市交叉路口绿波交通的短时交通流预测中存在车辆离散现象以及交通流受到复杂的城市环境影响而导致预测精度低和泛化能力差等问题,提出了图卷积神经网络(GCN)和长短时记忆神经网络(LSTM)相结合的方法,通过GCN模型能够充分利用交叉口之间的结构信息,保留了道路网络的连通性和关联性。同时,引入LSTM处理时间序列数据,更好地捕捉交通流的时间动态变化。结果表明,该GCN-LSTM模型相较于传统模型以及其他深度学习模型在绿波控制下的交通流预测中表现更为出色,具有更低的MAE、MAPE和RMSE值,相较于其他模型,分别平均下降了8.45%、14.32%和14.82%。该模型成功应用于交通流预测,为绿波控制系统提供了更精准的信号配时,提高了城市交通网络的效率和协调性。