论文部分内容阅读
在智能交通领域内，实时准确的短时交通流预测是实现智能交通诱导和控制的关键技术。交通流时间序列数据具有数量庞大的特性，很多方法不能有效地提高数据利用率，从而造成预测精度低下的问题。循环神经网络（Recurrent Neural Network,RNN）对时间序列的处理具有很高的效率，对此，本文在RNN的基础上，提出了长短时记忆（Long-Short Term Memory,LSTM）模型，并通过改变其内部参数和结构，建立了3种LSTM变体模型来对15 min短时交通流进行预测。实验结果表明，LSTM及其变体模型在预测准确性上，精度都达到了5%以内，相较于RNN都提高了3个百分点；而在LSTM类模型中，尤以LSTM3的预测性能最高，可用于长期的短时交通流预测。