原文传递
基于GRU-RNN模型的交叉口短时交通流预测研究
| 题名： | 基于GRU-RNN模型的交叉口短时交通流预测研究 |
| 正文语种： | 中文 |
| 作者： | 于德新;邱实;周户星;王卓睿 |
| 作者单位： | 吉林大学交通学院;吉林省道路交通重点实验室 |
| 关键词： | 城市交通;短时交通流预测;深度学习;时间序列 |
| 摘要： | 为提升交叉口短时交通流预测精度，在深度学习的理论框架下，以历史交通流量数据作为研究基础，提出一种基于GRU-RNN的短时流量预测模型。首先采用随机森林算法对交通流量数据进行预处理，补全长周期缺失情况下的丢失数据，确保样本的完整性和准确性，其次采用GRU-RNN算法对短时流量进行预测，在MYECLIPSE的开发环境调整参数适应样本，进行模型的训练与验证，并与经典BP神经网络预测模型进行对比。结果表明，所提算法拟合优度(R2)为0.962，最接近1，稳定性最好，均方根误差(RMSE)为6.258，预测误差最小 |
| 期刊名称： | 公路工程 |
| 出版年： | 2020 |
| 期： | 04 |
| 页码： | 109-114 |
检索历史
应用推荐
