基于深度学习的短时交通流预测研究

作     者：王祥雪 许伦辉 WANG Xiang-xue, XU Lun-hui

作者机构：华南理工大学土木与交通学院广州510640 

出 版 物：《交通运输系统工程与信息》 (Journal of Transportation Systems Engineering and Information Technology)

年 卷 期：2018年第18卷第1期

页      面：81-88页

核心收录：

学科分类：1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 082303[工学-交通运输规划与管理] 0802[工学-机械工程] 0814[工学-土木工程] 0701[理学-数学] 0811[工学-控制科学与工程] 082302[工学-交通信息工程及控制] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0823[工学-交通运输工程] 

基　　金：国家自然科学基金(61263024) 广东省自然科学基金(2016A030310104)~~ 

主　　题：交通工程 交通流预测 LSTM-RNN 时间序列 深度学习 

摘      要：针对交通流时间序列,在深度学习的理论框架下,构建基于LSTM-RNN的城市快速路短时交通流预测模型.根据交通流的时空相关性完成时间序列的重构,依靠模型训练对时空关联特性进行识别和强化,兼顾精度和时效性确定神经网络深度,完成短时交通流预测模型搭建.基于Tensor Flow的Keras完成LSTM-RNN的逐层构建和精细化调参,利用路网实测数据样本完成算法验证,实现模型本地保存并根据预测精度进行自适应更新.结果表明,本文所采用的预测算法精度高,受训练样本量的限制较小,实时性、扩展性和实用性均得到有效提高.