為提升交叉口短時(shí)交通流預(yù)測(cè)精度,在深度學(xué)習(xí)的理論框架下,以歷史交通流量數(shù)據(jù)作為研究基礎(chǔ),提出一種基于GRU-RNN的短時(shí)流量預(yù)測(cè)模型。首先采用隨機(jī)森林算法對(duì)交通流量數(shù)據(jù)進(jìn)行預(yù)處理,補(bǔ)全長周期缺失情況下的丟失數(shù)據(jù),確保樣本的完整性和準(zhǔn)確性,其次采用GRU-RNN算法對(duì)短時(shí)流量進(jìn)行預(yù)測(cè),在MYECLIPSE的開發(fā)環(huán)境調(diào)整參數(shù)適應(yīng)樣本,進(jìn)行模型的訓(xùn)練與驗(yàn)證,并與經(jīng)典BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行對(duì)比。結(jié)果表明,所提算法擬合優(yōu)度（R²）為0.962,最接近1,穩(wěn)定性最好,均方根誤差（RMSE）為6.258,預(yù)測(cè)誤差最小,與真實(shí)值最為接近,可為交通控制提供準(zhǔn)確依據(jù)。 

【文章來源】：公路工程. 2020,45(04)北大核心

【文章頁數(shù)】：6 頁

【文章目錄】：
0 引言
1 隨機(jī)森林算法數(shù)據(jù)預(yù)處理
    1.1 缺失數(shù)據(jù)描述
    1.2 算法步驟
2 基于深度學(xué)習(xí)的短時(shí)交通流預(yù)測(cè)模型
    2.1 時(shí)間序列模型
        a.更新門rt與重置門zt。
        b.候選隱藏狀態(tài)。
        c.隱藏狀態(tài)。
        d.輸出。
    2.2 時(shí)序分解步驟
3 實(shí)例驗(yàn)證
    3.1 數(shù)據(jù)預(yù)處理
    3.2 結(jié)果分析
4 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]基于門限遞歸單元循環(huán)神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測(cè)方法研究[J]. 王體迎,時(shí)鵬超,劉蔣瓊,劉博藝,時(shí)天昊.  重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(11)
[2]交叉口短時(shí)流量CEEMDAN-PE-OSELM預(yù)測(cè)模型[J]. 田秀娟,于德新,邢雪,商強(qiáng),王樹興.  哈爾濱工業(yè)大學(xué)學(xué)報(bào). 2018(03)
[3]基于深度學(xué)習(xí)的短時(shí)交通流預(yù)測(cè)研究[J]. 王祥雪,許倫輝.  交通運(yùn)輸系統(tǒng)工程與信息. 2018(01)
[4]基于K近鄰模式匹配的地鐵客流量短時(shí)預(yù)測(cè)[J]. 林培群,陳麗甜,雷永巍.  華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(01)
[5]基于交通流參數(shù)相關(guān)的阻塞流短時(shí)預(yù)測(cè)卡爾曼濾波算法[J]. 董春嬌,邵春福,周雪梅,孟夢(mèng),諸葛承祥.  東南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2014(02)



本文編號(hào)：3442932