Microcontrollers
&
Embedded
S
y
stems
2019
年第
3
期
www
.
mesnet
.
com
.
cn
基于深度学习的
LSTM
的交通流量预测
庞悦
,
赵威
,
张雅楠
,
许宏科
长安大学
电子与控制工程学院
西安
摘要
:
交通流预测是智能交通系统的关键基础技术之 一
,
直 接 影 响到 交 通 控制 与 诱 导系 统 的 实现
。
针 对 当 前道 路 交 通
流预测方法不能充 分 揭 示 交 通 流 内 部 本 质 规 律 的 问 题
,
提 出 一 种 基 于 深 度 学 习 的 预 测 模 型
,
利 用 长 短 期 记 忆 网 络
(
),
对交通流量进行了预测
。
结果显示
,
提出的预测模型具有较高的准确性
,
是一种有效的交通流预测方法
。
关键词
:
深度学习
;
;
交通流预测
中图分类号
:
文献标识码
:
Traffic
Flow
Prediction
Based
on
Dee
p
Learnin
g
LSTM
Network
Pan
g
Yue
Zhao
Wei
Zhan
g
Yanan
Xu
Hon
g
ke
Abstract
Ke
y
words
引
言
随着我国经济 的 快 速 发 展
车 辆 保 有 量 持 续 增 长
交通流分配不均衡
路网局部拥挤
为了解决交通基础设
施发展与日趋增长的交通之间的矛盾
对路网交通拥 挤 状
态进行预测
实现宏 观 上的 交 通 流 优 化 分 配
达 到 整 个 路
网通行效益的全局 最 优化
短 时 交 通 流 量 预 测 受 随 机 干
扰因素影响更大
不确定性更强
规律性更不明显
研究
有效的短时交通流分析和预测的理论与方法
从所获 得 的
信息中准确快速地预测和判别出道路交通 流 状 态
是当
前智能交通系统发展研究的重点和难点问题
在过去几十年里
国内外研究者提出了多种短时交通
流预测模型方法
大致可以归纳为三大类
第一类是基
于数学统计得模型
利用数理统计的理论和方法对交 通 流
数据进行分析并预 测
主 要 包 括 时 间 序 列 预 测 模 型
非 参
数回归模型
卡尔曼滤波模型等
第二类是基于神经网
络的预测模型
由一系列简单但相互连接的处理单元构成
的一个计算系统
也被证实适合用于描述交 通 流 系 统 的
非线性特征
第三类是指基于组合模型的预测方法
将两
种或两种以上不同类 型 的 预测 模 型 组 合 起 来 进 行 最 终 预
测
充分发挥各个预测模型的优点
克服各自的缺陷
从而
达到提高预测精度的目的
1LSTM
模型
递归神经网络
可 以 看 成一 个 在 时间 上 传 递的
神经网络
其深度 是 时 间 的 长 度
对 于
时 刻 来 说
它 产
生的梯度在时间轴上向历史传播几层之后就消失了
无法
影响太遥远的过去
因此
所有历史
共同作用只 是 理 想
情 况
在 实 际 中
这 种 影 响 也 就 只 能 维 持 若 干 个 时 间 戳
为了解决时间上梯度消失的问题
机器学习领域发展 出 了
长短时记忆单元
通过门开关实现时间上的记忆功
能
并防止梯度消失
是递归神经网络
的一 种
该
算法由
和
在
上首次公布
后 经 过 不 断 改 进
内 部 结 构 逐
渐得到完善
在处理 和 预测 时 间 序 列 相 关 的 数 据 时 会 比
一般
表 现 更 好
目 前
已 经 被 广
泛应用在机器人控制
文本识别及预测
语音识别
蛋白质
同源检测等领域
基于
在这些方面的优
异表 现
本 文 旨 在 探 究
是 否 可 以 应 用 于 交 通 流 时
间序列的预测
最基础的
单 元 由 三 个
评论1