期刊文章详细信息
基于长短时记忆网络的Encoder-Decoder多步交通流预测模型
An encoder-decoder multi-step traffic flow prediction model based on long short-time memory network
文献类型:期刊文章
WANG Bowen;WANG Jingsheng;WANG Tongyi;ZHANG Ziquan;LIU Yu;YU Hao(People’s Public Security University of China,Beijing 100038,P.R.China;Department of Electrical Information,Shandong University of Science and Technology,Jinan 250000,P.R.China)
机构地区:[1]中国人民公安大学交通管理学院,北京100038 [2]山东科技大学电气信息系,济南250000
基 金:公安部公安理论及软科学研究计划项目(2020LLYJGADX020);中国人民公安大学拔尖创新人才培养经费支持研究生科研创新项目成果(2021yjsky014);中国人民公安大学公共安全行为科学实验室开放课题基金资助(2020SYS15)。
年 份:2021
卷 号:44
期 号:11
起止页码:71-80
语 种:中文
收录情况:BDHX、BDHX2020、CSCD、CSCD2021_2022、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊
摘 要:交通流序列多为单步预测。为实现交通流序列的多步预测,提出一种基于编码器解码器(encoder-decoder,ED)框架的长短期记忆网络(long short-term memory,LSTM)模型,即ED LSTM模型。将自回归滑动平均、支持向量回归机、XGBOOST、循环神经网络、卷积神经网络、LSTM作为对照组进行实验验证。实验结果表明,当预测时间步长增加时,ED框架能够减缓模型性能的下降趋势,LSTM能够充分挖掘时间序列中的非线性关系。除此之外,在单变量输入的情况下,在PEMS-04数据集上,当预测时间步长为t+1到t+12的12个时间步时,ED LSTM模型的均方根误差(root mean squard error,RMSE)及平均绝对误差(mean absolute error,MAE)分别下降0.210~5.422、0.061~0.191。相较于单因素输入,多因素输入的ED LSTM模型在12个预测时间步长下,RMSE、MAE分别下降0.840、0.136。实验证明了ED LSTM模型能够有效地用于交通流序列的多步及单因素、多因素预测任务。
关 键 词:交通流预测 LSTM 编码器解码器 多步预测 深度学习
分 类 号:U491[物流管理与工程类]
参考文献:
正在载入数据...
二级参考文献:
正在载入数据...
耦合文献:
正在载入数据...
引证文献:
正在载入数据...
二级引证文献:
正在载入数据...
同被引文献:
正在载入数据...