原文传递
基于PSO-LSTM的高速公路短时交通流预测
| 题名： | 基于PSO-LSTM的高速公路短时交通流预测 |
| 作者： | 杨文玲 广晓平 |
| 作者单位： | 1. 兰州交通大学交通运输学院 |
| 关键词： | 关键词：交通流预测;深度学习;高速公路;PSO-LSTM模型;神经网络; |
| 摘要： | 摘要：为了实现高速公路短时交通流的精准预测，提出了考虑天气因素的PSO-LSTM深度学习预测模型以提高预测准确性。首先，对获取到的高速公路交通流数据、天气数据进行异常值处理、数据去噪、数据归一化等预处理；其次，构建预测模型，并采用粒子群优化算法寻找LSTM模型的最优参数组合，需要寻优的参数有神经网络最大迭代次数、学习率以及隐藏层神经单元个数；最后，通过PEMS网站提供的交通流数据进行实例验证，将交通流数据分为工作日与非工作日。结果表明，本文提出的预测模型能够较好的描述高速公路交通流变化规律，且相比于BP、SVM以及不考虑天气因素的PSO-LSTM模型，具有较高的预测精度。 |
| 期刊名称： | 综合运输 |
| 出版日期： | 202401 |
| 出版年： | 2024 |
| 期： | 7 |
检索历史
应用推荐
