论文部分内容阅读
针对现有的智能交通系统预测方法,基于道路交通的关键参数车流量预测,提出了一种基于深度学习的时间序列交通流预测方法,进一步提升道路交通车流量预测准确率。在对道路交通数据集进行清洗后,使用时间序列和神经网络的结合算法TS-NN进行车流量预测,实验表明,在城市路段的预测中,TS-NN相对时间序列模型ARIMA、神经网络模型LSTM准确率分别提升了1.62%和2.13%;在高速公路数据集上测试上,TS-NN有更加明显的改进,相对ARIMA、LSTM分别提升了20.87%和3.53%,在一定程度上,TS-NN算法确实有助于改进智能交通系统核心算法。