文献类型：期刊文章

作　　者：陈悦[1,2] 杨柳[1,2] 李帅[2,3] 刘恒[1,2] 唐优华[2,4] 郑佳雯[2,5]

CHEN Yue;YANG Liu;LI Shuai;LIU Heng;TANG You-hua;ZHENG Jia-wen(School of Information Science and Technology,Southwest Jiaotong University,Chengdu 611756,China;National Engineering Laboratory of Integrated Transportation Big Data Application Technology,Chengdu 611756,China;Tangshan Research Institute,Southwest Jiaotong University,Tangshan 063002,China;School of Transportation and Logistics,Southwest Jiaotong University,Chengdu 611756,China;School of Computer and Artificial Intelligence,Southwest Jiaotong University,Chengdu 611756,China)

机构地区：[1]西南交通大学信息科学与技术学院,成都611756 [2]综合交通大数据应用技术国家工程实验室,成都611756 [3]西南交通大学唐山研究院,唐山063002 [4]西南交通大学交通运输与物流学院,成都611756 [5]西南交通大学计算机与人工智能学院,成都611756

出　　处：《科学技术与工程》

基　　金：成都市科技项目(2019-YF05-02657-SN);四川省科技计划(2022YFG0152)。

年　　份：2022

卷　　号：22

期　　号：29

起止页码：12917-12926

语　　种：中文

收录情况：BDHX、BDHX2020、JST、RCCSE、ZGKJHX、核心刊

摘　　要：对交通状态进行预测,需要准确识别和判断交通状态。基于道路自身的自由流速度,将具有不同速度等级的街道统一以旅行时间指数(travel time index, TTI)作为拥堵评价,相较于以车辆速度为基准的传统预测方法更能表现出道路的拥堵状态。提出了一种改进的深度学习预测模型(CS-BiLSTM),该模型基于卷积神经网络(convolutional neural networks, CNN)和双向长短期记忆(bidirectional long short-term memory, BiLSTM),并结合Softmax函数增强CNN提取出的交通空间特征信息。最后以成都市出租车的全球定位系统(global positioning system, GPS)数据进行验证。结果表明,所提出的CS-BiLSTM模型具有更高的准确性,其性能相比CNN-BiLSTM网络预测框架提升了13%。

关 键 词：交通拥堵预测  旅行时间指数(TTI)  卷积神经网络(CNN)  Softmax函数  双向长短期记忆(BiLSTM)  

分 类 号：TP301.6]