基于流形距离的高速公路短时交通流预测模型

发布时间：2021-09-24 00:42

　　准确的高速公路短时交通流预测是实现交通诱导和控制的重要前提和基础。为了提高预测精度,提出一种基于流形距离（MD）的K近邻-长短期记忆（K-nearest neighbor-long short-term memory,KNN-LSTM）高速公路短时交通流预测模型。该模型利用流形相似性分析高速公路交通流的时空特性,计算多站点与目标站点之间的流形距离。然后,采用改进的KNN算法筛选出空间相关站点构造交通流数据集,通过LSTM模型提取时序特征得出预测结果。实验表明,与单一预测模型相比,该方法能更好地提取交通流时空特性且预测精度更高,可为高速公路的交通管理提供必要的依据。 

【文章来源】：科学技术与工程. 2020,20(18)北大核心

【文章页数】：6 页

【部分图文】：

站点1581交通流时间序列

高速公路交通流的时间序列具有非线性和波动性。图1为2019年11月21日站点1581交通流时间序列,交通流有过两次高峰,一次在6:00左右,另一次在17:00左右,而在其他时刻流量有所下降。尽管整体趋势明显,但数据点之间交替出现局部极大值和极小值,呈现出随机波动特性[7]。此外,高速公路交通流的时间序列整体呈现出相似趋势。图2为2019年11月11—17日站点1581交通流时间序列。从图2(a)中可以看出相同断面的交通流量在工作日(周一 —周五)中呈现出日相似性。而周末(周六至周日)的交通流趋势又和工作日不同,具体变化如图2(b)所示。高速公路的交通流时间序列受各种因素影响呈现非线性变化,但当前时刻的交通流量必然与前几个时刻的交通流量有关。因此,根据交通流的时间特性,所提出预测算法不仅需要有处理周期性分布变化的能力,而且还可以根据外部因素变化重新学习[8]。1.2 空间相关性

在高速路网中,道路交通是一个复杂的网络,网络中的交叉口相互联系,相互影响。选择空间相关性强的站点可以提高预测精度[9]。图3为2019年11月21日探测器在 WA I-5公路不同站点采集的交通流速度数据。从图3中可以看出,交通流的拥堵和分散过程,红色表示路段拥挤,车速较小;绿色表示道路平坦,车速快。上游路段的交通流状态可以扩散到下游路段,距离越近,扩散程度越大[10]。由此可见,高速公路交通流在空间上呈现出流形相似性。2 预测模型构建


本文编号：3406751