原文传递
基于SARIMA和LSTM模型的智慧城市车流量预测
| 论文题名： | 基于SARIMA和LSTM模型的智慧城市车流量预测 |
| 关键词： | 循环神经网络;SARIMA模型;长短期记忆网络;车流量预测 |
| 摘要： | 近年来，智慧城市建设已经成为国家经济快速发展的引擎，特别随着智慧交通的广泛应用和发展，其中交通问题中的数据应用分析需求也日益突出。为缓解交通拥堵问题保障交通良好运行，在智慧交通调控管理时需要分析预测交通流量中的潜在状况，以便提前对交通路线进行合理规划，从而提高交通效率和提升交通安全。但由于交通流的复杂多变、影响因素较多等特点，使得此类数据预测的难度较大。本文结合网络和实际的智慧交通数据开展分析，探讨如何构建合理的预测模型来提高交通流的预测精度，为交通调控提供一定的应用参考。 本文从交通车流量数据基础特性出发，提取短时车流量数据的主要特征，结合常见的预测模型进行测试分析。考虑模型的可行性和短时车流量的预测精准度，分别基于时间序列预测模型和循环神经网络模型进行分析。在对模型参数进行调优测试得出对应的预测结果后，进一步将两种基础模型进行组合，再采用组合模型对车流量数据进行预测。在预测模型构建和测试中，先把车流量数据进行整理分析，主要处理数据集中的少量缺失值和个别异常值，把数据整理成实验输入的数据类型。然后建立SARIMA模型的短时车流量预测模型，对模型中3个主要参数p、d、q的确定进行分析，对比确定最小误差模型的参数。再建立循环神经网络模型预测短时车流量，对比不同时间步长与映射维度下LSTM和GRU模型的预测效果。发现当训练数据集有一定增加时，模型的预测效果也有一定的提升。在此基础上运用组合模型进行预测，先对车流量数据进SARIMA模型预测，然后对残差进行LSTM模型预测，并将预测结果输入到BP神经网络，进行非线性映射变换得到预测结果。从预测误差结果表明组合模型，能在一定程度上提升车流量预测精度。 |
| 作者： | 王圆 |
| 专业： | 数学 |
| 导师： | 袁健美 |
| 授予学位： | 硕士 |
| 授予学位单位： | 湘潭大学 |
| 学位年度： | 2020 |
检索历史
应用推荐
