GA-LSTM模型在高速公路交通流预测中的应用

发布时间：2023-05-22 06:08

　　为提高高速公路交通流预测精度,为高速公路管理部门动态控制诱导提供有效支撑,以实时交通流预测误差最小为目标,通过对高速公路数据的清洗和归一处理,分为4个不同时间间隔的数据集,按比例划分为训练数据集和测试数据集.采用遗传算法(GA)对数据时间窗步长、长短期记忆(LSTM)神经网络的隐藏层数、训练次数、dropout进行优化调参,分析4种参数对模型寻优影响,GA-LSTM模型在keras中以Tensorflow为后台进行训练拟合.结果表明:GA-LSTM模型寻优速度快,同传统预测算法中的SVM、KNN、BP和LSTM神经网络相比较,GA-LSTM对数据预测均方误差和均方根误差最小,模型表现出更好的预测性能.

【文章页数】：8 页

【文章目录】：
1 长短期记忆模型介绍
2 基于GA-LSTM的交通流预测模型
    2.1 模型预测流程
    2.2 交通流数据处理
    2.3 遗传算法优化模型参数
    2.4 网络训练
    2.5 网络预测
3 实验评估指标与环境
    3.1 实验对比模型
    3.2 实验评估指标
    3.3 实现平台
4 实验结果及分析
    4.1 交通流数据采集
    4.2 模型参数优化与分析
        4.2.1 遗传算法设置参数
            1)搜索空间.
            2)编码.
        4.2.2 遗传算法训练最优值
        4.2.3 参数对模型寻优影响
    4.3 预测结果及分析
5 结 论



本文编号：3822161