基于维度加权的残差LSTM短期交通流量预测

基于神经网络的交通流量预测由于嵌入了部分手工设计的特征,使得提取的网络特征功能单一,存在适应性及鲁棒性差、数据局部特征刻画不准确等问题。为此,提出基于残差长短期记忆网络(LSTM)的交通流量预测方法,利用集成学习思想将空间分布的数据端到端训练到残差LSTM网络中,同时在每个LSTM单元后引入维度加权单元,显式建模特征维度之间的相互依赖关系。实验结果表明,该方法能实现短期交通流量数据的自适应建模分析。

独立分量分析在短期交通流量预测中的应用

传统短期交通流量预测方法都基于相同的预测模型直接对总体流量进行预测,总体流量数据中含有若干个分量,不同分量使用同一个预测模型,预测模型无法符合每一个分量数据的变化规律,导致预测结果精确度不高。为了提高流量预测精度,节省预测时间,改善传统预测方法的不足,将独立分量分析方法应用到短期流量预测中,对自回归滑动平均(ARMA)预测模型进行了改进。首先,对去除周期分量的高速公路交通流量数据进行独立分量分析,将其分解成若干个正交独立分量,减少分量关联性带来的预测误差;然后,对不同的独立分量分别构建适当阶数的自回归滑动平均模型,即对不同分量进行单独预测;最后,用最小二乘法求解独立分量分析中的混合矩阵,通过混合矩阵将独立交通分量的所有预测值准确地重构回最终需要的交通流量预测值。结果表明,该方法与直接自回归滑动平均模型预测法和经验模态分解法相比具有更高的预测精度和更短的计算时间。

基于堆叠LSTM神经网络的短期交通流量预测

短期交通流量预测是各种智能交通场景中的关键任务之一.文章提出了一种堆叠长短期记忆(LSTM,Long Short-term Memory)神经网络来执行此任务.该方法以堆叠的结构增加神经网络的深度,可增强对复杂的线性和非线性函数的拟合能力,从而提高预测的准确性.在四个典型的基准数据集上进行了大量的实验,结果表明所提出方法优于常用的机器学习和经典的LSTM方法.