原文传递
基于RAdam优化的DLSTM•AE交通流预测模型
| 题名： | 基于RAdam优化的DLSTM•AE交通流预测模型 |
| 作者： | 黄艳国;周陈聪;左可飞 |
| 作者单位： | 江西理工大学电气工程与自动化学院 |
| 关键词： | 智能交通;交通流预测;深度神经网络;高速公路;RAdam算法 |
| 摘要： | 交通流预测在智能交通系统中起着关键的作用。然而，由于交通数据有着复杂的时间依赖性和本身的不确定性，导致预测交通流变得具有挑战性。为了进一步充分提取交通流时空性、周期性等特征，采用了一种自编码器（AE）与深度长短时记忆网络（DLSTM）相结合的组合模型（DLSTM-AE），并引入改进的适应矩估计算法（RAdam）进行模型训练。首先利用深度长短时记忆网络模型对交通流序列信息特征进行采集，并借助自动编码器结构将采集的信息压缩为一个固定维度的表示向量。然后通过解码器对该向量进行重构，实现信息的进一步挖掘。最后在模型的训练过程中，利用RAdam算法进行优化，分批次更新动量参数，缩短寻找最优解的时间，提高模型预测的时效性和精度。在高速公路交通流真实数据集上进行了仿真并与其他模型方法进行了对比。结果表明：DLSTM-AE组合模型不仅在预测结果上具有明显的优势，而且在交通流周期性方面拥有较好的曲线拟合能力，其中测试集的均方根误差值下降了约0.445～1.826，平均绝对误差值下降了约0.282～0.984，相关系数值R2提高了约0.005-0.023；在周期性上，相邻周对应工作日的预测精度远高于对照组。该模型可以捕捉交通流序列中更潜在的时空性和周期性信息，可以更好地满足高速公路交通流预测的需要。 |
| 期刊名称： | 公路交通科技 |
| 出版年： | 2023 |
| 期： | 01 |
| 页码： | 185-191,199 |
检索历史
应用推荐
