基于GWO-LSTM模型的道路交通事故量预测
孔维麟1
李文栋2
杨立柱3
张鲁玉1
王庆斌1
1.山东建筑大学交通工程学院,山东 济南 2501012.中国市政工程西北设计研究院有限公司,甘肃 兰州 7300303.云南省设计院集团有限公司,云南 昆明 650118
摘要：为降低道路交通事故率,减少事故损失,采用全局遍历性和收敛性较强的自适应学习策略灰狼优化(grey wolf optimizer,GWO)算法,对长短期记忆(long short term memory,LSTM)神经网络中的初始学习率、隐藏层节点数、正则化系数等参数进行优化训练,构建GWO-LSTM道路交通事故量预测模型.以 2000-2019 年美国道路交通致死事故数据为样本数据,分别采用月粒度、周粒度、时粒度划分交通事故数据,对比分析GWO-LSTM模型、自回归移动平均(autoregressive moving average,ARMA)模型、反向传播(back propagation,BP)神经网络和LSTM神经网络的道路交通事故预测结果.结果表明:在 3 种时间粒度下,GWO-LSTM模型预测结果的平均绝对百分比误差和均方根误差均最小,预测准确度较高,可用于道路交通事故量预测中.
关键词：交通事故LSTM神经网络GWO算法时间粒度
分类号：U491.31(交通工程与公路运输技术管理)
资助基金：交通运输行业重点科技项目清单(2021-ZD2-047)山东省交通运输科技计划项目(2021B49)山东省高等学校青创科技支持计划(2021KJ058)
论文发表日期：2023-12-30
在线出版日期：2026-05-22（本平台首次上网日期，不代表文献的发表时间）
页数：8( 60-67 )
英文信息