摘要: |
城市交通拥堵已成为阻碍城市发展的主要矛盾,鉴于道路交通受参数和时空因素影响,使得交通流预测模型精度不高,且在现实场景中易失效,同时以路段为研究对象的传统预测方法已无法满足智能网联技术发展的需求。为了解决传统预测模型在车道级横向空间相关性及参数影响方面考虑不足、且具有记忆局限性的问题,提高车道级短时交通流预测精度,提出PCA-stacked-GRU的车道级组合深度学习模型,采用主成分分析法对强相关车道的交通参数进行特征级融合,建立横向相关性及宏观参数相关性的数据组织,通过stacked-GRU模型实现横向相关性和参数影响的车道级交通流预测。在预处理后的数据集上验证可知,考虑车道级横向空间相关性和交通参数相关性的模型能够提高预测精度,微波测试集的流量和速度预测MAE分别为4.946960,3.109925,视频测试集的流量和速度预测MAE分别为4.503461,3.863718,相较于单一车道单一变量的预测模型精度均有较大的提高,与单一车道多变量的预测模型相比有更好的预测效果。所提出的PCA-stacked-GRU模型相较于其他常见的基准线模型,具有更高的预测精度和鲁棒性,能够应用于实际场景中的决策分析,提出交通拥堵问题的解决依据和更加精准、全面的交通信息,并为车道级地图导航和自动驾驶等提供数据支撑。 |