基于GRU-RNN模型的交叉口短时交通流预测研究

发布时间：2021-10-18 14:06

　　为提升交叉口短时交通流预测精度,在深度学习的理论框架下,以历史交通流量数据作为研究基础,提出一种基于GRU-RNN的短时流量预测模型。首先采用随机森林算法对交通流量数据进行预处理,补全长周期缺失情况下的丢失数据,确保样本的完整性和准确性,其次采用GRU-RNN算法对短时流量进行预测,在MYECLIPSE的开发环境调整参数适应样本,进行模型的训练与验证,并与经典BP神经网络预测模型进行对比。结果表明,所提算法拟合优度（R²）为0.962,最接近1,稳定性最好,均方根误差（RMSE）为6.258,预测误差最小,与真实值最为接近,可为交通控制提供准确依据。 

【文章来源】：公路工程. 2020,45(04)北大核心

【文章页数】：6 页

【文章目录】：
0 引言
1 随机森林算法数据预处理
    1.1 缺失数据描述
    1.2 算法步骤
2 基于深度学习的短时交通流预测模型
    2.1 时间序列模型
        a.更新门rt与重置门zt。
        b.候选隐藏状态。
        c.隐藏状态。
        d.输出。
    2.2 时序分解步骤
3 实例验证
    3.1 数据预处理
    3.2 结果分析
4 结论


【参考文献】：
期刊论文
[1]基于门限递归单元循环神经网络的交通流预测方法研究[J]. 王体迎,时鹏超,刘蒋琼,刘博艺,时天昊.  重庆交通大学学报(自然科学版). 2018(11)
[2]交叉口短时流量CEEMDAN-PE-OSELM预测模型[J]. 田秀娟,于德新,邢雪,商强,王树兴.  哈尔滨工业大学学报. 2018(03)
[3]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)
[4]基于K近邻模式匹配的地铁客流量短时预测[J]. 林培群,陈丽甜,雷永巍.  华南理工大学学报(自然科学版). 2018(01)
[5]基于交通流参数相关的阻塞流短时预测卡尔曼滤波算法[J]. 董春娇,邵春福,周雪梅,孟梦,诸葛承祥.  东南大学学报(自然科学版). 2014(02)



本文编号：3442932