基于前后文关联的长短期记忆网络模型Contextual LSTM的交通流数据预测

为改善交通拥堵情况,提升交通网络效率,提出了基于前后文关联的长短期记忆网络模型Contextual LSTM。首先,针对长短期记忆网络模型面对突发情况识别不及时的问题,将输入和隐藏状态建立关联关系,提升前后时刻数据的关联,从而提升模型应对突发情况的能力。此外,采用英国的交通数据集对模型进行训练与测试,并与传统LSTM模型、GRU模型进行预测效果对比实验。验证结果表明,改进后的长短期记忆网络模型在交通流数据的预测上更具优势。