基于改进LSTM算法的短时交通流量预测

针对短时交通流量预测模型受噪声数据影响预测误差较大的问题,提出了一种改进的长短期记忆网络(long short-term memory,LSTM)的短时交通流量预测模型———MVF-LSTM模型,该模型使用算术平均滤波MVF对LSTM模型的输入层进行改进,从而增加LSTM隐藏层输入的维度,利用平均相对误差对模型的迭代次数、时间步长和隐藏层神经元的个数进行调整,提高了模型的预测精度。实验结果表明:改进的模型平均相对误差降至5%,具有良好的泛化能力,可以更好地反映交通流量的变化特征。