论文研究-基于Spatio-LSTM模型的城市交通路网流量预测算法 .pdf
需积分: 0 142 浏览量
2019-08-25
11:01:29
上传
评论 1
收藏 667KB PDF 举报
http://www.paper.edu.cn
- 1 -
中国科技论文在线
基于 Spatio-LSTM 模型的城市交通路网流量
预测算法
高尚，李静林
**
（北京邮电大学网络与交换技术国家重点实验室，北京 100876） 5
作者简介：高尚（1993-），男，硕士研究生，数据挖掘与机器学习
通信联系人：李静林（1975-），男，副教授，硕导，融合网络、服务与安全技术. E-mail: jlli@bupt.edu.cn
摘要：在城市环境中，道路交通流量变化快速且受随机扰动影响强烈，给交通管理和通信资
源分配带来诸多困难。针对交通流量预测问题，本文提出了一种基于“空间-LSTM”
（Spatio-LSTM）的城市道路流量预测模型。首先，利用 LSTM 结构对历史车流量的时间序
列特征进行记忆和学习，并预测未来的车流特征；然后利用 CNN 结构学习车流数据的区域10
相关性，生成目标时刻的流量特征矩阵；最后，将两个网络结合为端到端的模型用于车流量
的预测。本文提出的 Spatio-LSTM 模型不仅能够描述车流的时间变化趋势，而且考虑了车流
量在城市道路中的区域相关性。实验表明，相比于传统的预测模型，Spatio-LSTM 模型具有
较好的预测精度和训练效率，能够较好的拟合城市道路中车流量的变化趋势。
关键词：车流量预测；神经网络；长短时记忆网络；智能交通系统 15
中图分类号：TP181
Urban Traffic Flow Prediction Algorithm based on
Spatio-LSTM Model
GAO Shang, LI Jinglin 20
(State Key Laboratory of Networking and Switching Technology,Beijing University of Posts and
Telecommunications)
Abstract:In urban, traffic flow changes rapidly and it's strongly affected by random disturbance.For
traffic flow prediction,this paper proposes a new traffic flow prediction algorithm based
onSpatio-LSTM model. Firstly the LSTM network is used to memorize and learn the traffic flow
25
feature and predict the traffic flow feature at future time points. Then the CNN network reconstruct and
predictregion treffic flow data, using the predicted results of LSTM and history traffic flow feature.
Finally the two networks are combined into an end-to-end "Spatio-LSTM" model for traffic flow
prediction. The Spatio-LSTMmodel can not only fit the time series trend of traffic flow, but also
consider the regional correlation of urban roads. The experiments results show that the Spatio-LSTM
30
model has better prediction accuracy and training efficiency than the traditional models, and has better
bility to fit the trend of traffic flow in urban roads.
Keywords: traffic flow prediction; neural networks; long short-term neural network; Intelligent
Transportation System
35
0 引言
随着经济和社会的发展，城市道路交通流量呈现迅猛的增长趋势，这种情况使得交通管
理混乱等问题逐渐凸显，因此对交通态势和路网车辆流量的预测显得愈发重要。近年来，城
市交通路网流量预测在逐渐成为国内外学者研究的热点问题，大量细致的研究成果提供了诸40
多车辆流量预测的模型和方法。其中，早期的交通流量预测方法以线性模型为基础，其中，
自回归模型（AR）、自回归滑动平均（ARIMA）模型
[1][2]
等可以适用于稀疏的交通流量态
剩余11页未读，继续阅读
资源评论
