基于LSTM引入客车占比特征的短时交通流预测

发布时间：2021-06-19 19:32

　　近年来,交通数据呈爆炸式增长,准确、及时的交通流预测信息对于智能交通系统至关重要。基于LSTM神经网络提出了一种考虑客车占比特征的短时交通流预测方法;提取车流数据中的客车占比特征并利用快速傅里叶算法（FFT）绘制其功率频谱图,验证了高速公路客车占比特征的周期性特点;针对该特点,提出了基于LSTM引入客车占比特征的短时交通流预测模型,并以广州北环高速某收费站为例进行分析。结果表明:引入客车占比特征的LSTM预测模型,有效降低了短时交通流预测的误差,提高了预测的正确率。 

【文章来源】：重庆交通大学学报(自然科学版). 2020,39(11)北大核心CSCD

【文章页数】：7 页

【部分图文】：

图1 时间间隔为15 min时一周的交通流量

利用式(1)计算一周的车流数据中每个时序的客车占比情况，作出折线图，结果如图2。从图1和图2看出，高速公路交通流量数据与高速公路客车占比数据呈现明显的周期性特征，与城市交通流理论中指出的大部分交通流量数据存在周期性相符合。这种特性不仅存在于周与周之间，不同的工作日之间，甚至一天内某些时段的交通流量数据也存在着相似。提取出交通流数据中隐藏的周期性部分可以帮助更好地理解交通系统，便于取得更准确的预测结果。

利用1.2.1节介绍的快速傅里叶(FFT)算法对高速公路流量数据(图1)及客车占比数据(图2)进行周期性验证，分别绘制其功率频谱图，结果如图3、图4。图4 客车占比数据周期-功率频谱

【参考文献】：
期刊论文
[1]基于深度学习的短时交通流预测研究[J]. 王祥雪,许伦辉.  交通运输系统工程与信息. 2018(01)
[2]基于时空特征分析的短时交通流预测模型[J]. 田保慧,郭彬.  重庆交通大学学报(自然科学版). 2016(03)
[3]移动平均法的滞后问题[J]. 李琦,陈玉新.  统计与决策. 2008(22)
[4]共轭对称数据的DFT及其FFT算法[J]. 陈建平,曹清林,沈世德.  电子与信息学报. 2001(02)



本文编号：3238408