基于KNN-LSTM的短时交通流预测
针对现有预测模型无法在交通大数据中提取交通流序列的内部规律,且未能充分利用交通流的时空相关性以实现高精度预测的问题,提出了一种基于K-最近邻(K-nearest neighbor,KNN)与长短时记忆(long short term memory,LSTM)网络模型相结合的短时交通流预测模型.采用KNN算法选择路网中与预测站点时空相关的检测站,以选择的检测站的交通流序列构造数据集,将其输入LSTM模型中进行训练及测试,并通过美国交通研究数据实验室的真实交通数据对提出的模型进行验证.结果表明:与现有的交通预测模型相比,该方法能更好地提取交通流序列的时空特性,预测准确率平均可提高12.28％,可为交通诱导与控制提供必要的依据.
智能交通、交通流预测、K-最近邻(KNN)、深度学习、长短时记忆(LSTM)网络
44
U491.1(交通工程与公路运输技术管理)
国家自然科学基金资助项目5157081053;云南省交通运输厅科技计划资助项目2014A29;长安大学研究生科研创新实践项目2018098
2019-01-04（万方平台首次上网日期，不代表论文的发表时间）
共7页
1521-1527
