时空相关的道路网络短时交通流预测模型OA北大核心CSTPCD

为有效解决复杂路网短时交通流预测问题中涉及的时空特征挖掘问题,提出一种基于改进长短时记忆神经网络(Improved Long Short-Term Memory, ILSTM)的交通流预测模型.首先,通过改进的遗传算法对长短时记忆神经网络(Long Short-Term Memory, LSTM)模型初始参数进行优化获得最优参数组合,解决LSTM初始参数设置对输出结果影响较大的问题.其次,针对复杂路网多路段交通流预测中遇到的空间特征提取问题,通过挖掘相关路段对目标路段交通流预测的影响程度,重新构建LSTM模型的损失函数,采用路网中相关路段对目标路段的影响系数,以损失函数输出值最小为终止条件,构建ILSTM模型.最后,选择加州公路局交通数据进行模型验证实验,采用遗传算法优化LSTM模型(Genetic Algorithm-LSTM, GA-LSTM)和单纯LSTM模型,以及皮尔森相关系数与LSTM组合模型(Pearson Correlation Coefficient-LSTM,PCC-LSTM),对工作日和周末数据的多次实验结果进行对比分析.实验结果表明:ILSTM模型能够充分考虑复杂路网交通流的时间和空间特征,预测平均误差约为1.16%,在收敛效率和预测精度方面均优于其他模型.