基于小波去噪和LSTM模型的短时交通流预测

Journal of Measurement Science and Instrumentation（2021）

引用 2|浏览0

暂无评分

摘要

针对现有的部分交通流预测模型仅面向单一路段进行,模型输入数据未预处理的问题,采用启发式阈值算法对小波分解后的原始交通流数据进行去噪处理,通过对路网内各路段交通流数据相关性系数计算,构造出路网交通流数据压缩矩阵.数据去噪将数据对模型的干扰降到最低,同时路网数据相关性分析又使预测在路网层面上进行了考量.利用长短时记忆(LSTM)网络在时序数据处理方面的优势,将压缩矩阵输入构造好的LSTM模型进行短时交通流预测.利用去噪处理数据和原始数据分别训练LSTM-1和LSTM-2模型,通过仿真实验,设置不同预测时间将本文提出的预测方法和其他4种模型对比,验证了相较于其他4种模型预测的准确率平均可提升10.278％,预测的准确率达到了95.58％,说明这是一种高效率的短时交通流预测方法.

查看译文

关键词

short-term traffic flow prediction,deep learning,wavelet denoising,network matrix compression,long short term memory (LSTM)network

AI 理解论文

溯源树

样例

生成溯源树，研究论文发展脉络

Chat Paper

正在生成论文摘要