原文传递
考虑交通事件影响的城市道路行程时间预测
| 题名： | 考虑交通事件影响的城市道路行程时间预测 |
| 作者： | 许淼;刘宏飞;苏岳龙 |
| 作者单位： | 吉林大学交通学院;高德软件有限公司 |
| 关键词： | 交通工程;行程时间预测;深度学习;交通事件;城市路网;特征提取 |
| 摘要： | 外部环境因素对城市交通预测有较大影响，尤其在交通事件发生时，由于交通流的随机性和非线性特征，交通异常情况下的预测精度往往较低。为此，基于深度学习理论，提出一种以序列到序列模型(Sequence-to-sequence，Seq2Seq)为主体，融合外部因素特征的城市道路行程时间预测方法。利用时间序列分解算法(Seasonal and Trend Decomposition UsingLoess，STL)挖掘交通历史数据的时序周期规律，结合交通事件数据深入分析交通异常产生的原因，并建立堆叠降噪自编码器模型(Stacked Denoising Autoencoder，SDAE)提取时间属性和交通事件数据的潜在特征。以北京市北四环中路和G6京藏高速路段为例，对预测模型的准确性和可行性进行验证，通过重复性交通事件和非重复性交通事件下的案例试验，对SDAE组件的有效性进行分析。研究结果表明：模型的单步和多步预测性能均优于基线模型，预测精度最高达到了87.71%；与其他输入了交通事件数据的模型相比，以SDAE作为外部组件的模型具有较好的预测性能和鲁棒性，能够适应复杂多变的交通流，在智能交通系统的短期预测上有显著的优越性，可以增强管理系统的调控能力，降低城市交通的拥堵成本。 |
| 期刊名称： | 中国公路学报 |
| 出版日期： | 202112 |
| 出版年： | 2021 |
| 期： | 12 |
| 页码： | 229-238 |
检索历史
应用推荐
