考虑时空相关性的网络交通流短期预测
邵春福
薛松
董春娇
王晟由
庄焱
北京交通大学综合交通大数据应用技术交通运输行业重点实验室,北京100044
摘要：实时、准确的交通流短期预测是交通诱导、管理的前提.为了提高预测精度,结合交通流数据中的历史时间相关性与网络空间断面相关性,构建了一种基于皮尔森相关系数法(Pearson Cor-relation Coefficient,PCC)与双向长短时记忆(Bidirectional Long Short Term Memory,BLSTM)架构的交通流短时预测模型.该模型可以通过PCC筛选路网中与目标路段空间相关的路段,并将其重构为新数据集,作为BLSTM预测模型的输入,以实现交通流短期预测.通过美国加州交通流数据对模型预测性能进行评价,实验结果表明:该模型可以融合交通流数据中的时空相关性,相对于其他主流预测模型精度平均可提高4.83％.
关键词：智能交通交通流短期预测神经网络相关性分析
分类号：U491(交通工程与公路运输技术管理)
资助基金：国家自然科学基金(71621001)
论文发表日期：2021-08-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 37-43 )
英文信息