日交通流预测的编码器-解码器深度学习模型研究

精准的日交通流预测是智能交通领域的重要研究内容之一。目前已有的日交通流预测模型大多在短期预测模型的基础上通过多步预测或者多目标预测的方式改进而来。这两种改进方案中,前者对误差的传播更为敏感,而后者则忽视了预测结果的时序关系,导致预测模型精度偏低。提出了一种用于日交通流预测的编码器-解码器深度学习模型,首先将长短时记忆网络(long short-term memory,LSTM)作为编码器-解码器模型的基本单元以提高模型捕捉长期依赖关系的能力,其次引入注意力机制调节编码向量的权重以进一步提高模型的预测精度。新的模型是一种典型的序列到序列预测模型,与传统的序列到点的模型相比更加契合日交通流预测的需求。为验证模型的有效性,取美国5号州际公路西雅图段的实际交通流数据进行实验,实验结果表明,提出的预测模型在平均车流密度大于40辆/km的时间段中,其预测结果的平均绝对百分比误差(mean absolute percentage error,MAPE)与LSTM、门控循环单元(gated recurrent unit,GRU)、反向传播(back propagation,BP)神经网络、卷积神经网络(convolutional neural network,CNN)、图卷积网络(graph convolution network,GCN)传统预测模型相比,分别减小了19%、20%、25%、16%、25%。

基于基准与偏差的日交通流预测方法

近几年路面卡口监控设备数目快速增长,积累了海量过车数据。本文在对卡口数据进行修复的基础上,将日交通流分解为基准与偏差两个部分,并利用交通流的周期相似性对日交通流进行预测。结果表明,该方法可以在数据缺失或异常波动的情况下实现日交通流的,准确预测。