智能网联环境下基于混合深度学习的交通流预测模型

为适应未来智能网联环境下精细化交通流预测需求,提出一种基于混合深度学习(Hybrid Deep Learning, HDL)的车道级交通流速度预测模型.模型以智能网联系统强大的数据采集和计算能力为基础,采用集成经验模态分解算法将原始速度序列分解为多个固有模态函数分量和残差分量,并将所得分量重构为模型输入;利用双向长短期记忆神经网络和注意力机制,构建深度学习模型框架;为检验模型预测精度和可靠性,选择北京市二环路多个连续车道断面速度数据进行算法验证.结果表明,HDL模型在不同车道均有理想的预测结果,单步和多步预测精度均显著优于对比模型.

基于张量分解理论的车道级交通流数据修复算法

为减少数据缺失对交通流量预测、高级驾驶辅助、交通状态估计等应用的影响,提升交通流数据质量,提出一种基于自适应秩Tucker分解的插补方法(ARTDI)用于多车道交通流数据修复。将多车道交通流数据表征为张量模式,以充分利用交通流时空特性。通过张量Tucker分解构建修复目标函数,并利用动量梯度下降法求解。本文采用北京快速路多断面车道交通流速度数据构建完全随机缺失、随机缺失、混合缺失3种缺失模式进行算法验证,实验结果显示,ARTDI算法在3种缺失类型下对3个断面数据修复的平均绝对百分误差(MAPE)分别为11.67%、12.03%、11.89%。此外,随着数据缺失率的增长,ARTDI模型在不同缺失模式下的修复精度均优于对比模型,并且修复误差无显著增长,体现出ARTDI模型良好的稳定性和适用性。