文献类型：期刊文章

作　　者：张阳[1] 杨书敏[1] 辛东嵘[2]

ZHANG Yang;YANG Shu-min;XIN Dong-rong(School of Transportation,Fujian University of Technology,Fuzhou 350118,China;School of Civil Engineering,Fujian University of Technology,Fuzhou 350118,China)

机构地区：[1]福建工程学院交通运输学院,福州350118 [2]福建工程学院土木工程学院,福州350118

出　　处：《交通运输系统工程与信息》

基　　金：国家自然科学基金(51678077);福建省自然科学基金(2019J01781);福建工程学院科研发展基金(GY-Z160123).

年　　份：2020

卷　　号：20

期　　号：2

起止页码：204-210

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为克服非稳定交通流状态下短时交通流预测精度不高、过分依赖大样本历史数据的缺陷,提出一种改进小波包分析和长短时记忆神经网络组合(IWPA-LSTM)的短时交通流预测方法.利用功率谱细化的思想改进小波包分析算法对小样本交通流时间序列进行多尺度分解和单支重构.对低频序列和高频序列进行相空间重构,完成长短时记忆模型的逐层构建,实现本地保存并根据预测精度进行自适应更新,将重构的子序列输入模型训练和预测.将各子序列的预测值叠加输出IWPA-LSTM最终预测值.实验结果表明,提出的IWPA-LSTM模型在小样本情况下的预测精度优于经典深度学习模型,具有较强的实用性.

关 键 词：智能交通 深度学习  短时交通流预测 时间序列

分 类 号：U268.6]