為提高高速公路交通流預(yù)測精度,為高速公路管理部門動態(tài)控制誘導(dǎo)提供有效支撐,以實(shí)時交通流預(yù)測誤差最小為目標(biāo),通過對高速公路數(shù)據(jù)的清洗和歸一處理,分為4個不同時間間隔的數(shù)據(jù)集,按比例劃分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集.采用遺傳算法(GA)對數(shù)據(jù)時間窗步長、長短期記憶(LSTM)神經(jīng)網(wǎng)絡(luò)的隱藏層數(shù)、訓(xùn)練次數(shù)、dropout進(jìn)行優(yōu)化調(diào)參,分析4種參數(shù)對模型尋優(yōu)影響,GA-LSTM模型在keras中以Tensorflow為后臺進(jìn)行訓(xùn)練擬合.結(jié)果表明:GA-LSTM模型尋優(yōu)速度快,同傳統(tǒng)預(yù)測算法中的SVM、KNN、BP和LSTM神經(jīng)網(wǎng)絡(luò)相比較,GA-LSTM對數(shù)據(jù)預(yù)測均方誤差和均方根誤差最小,模型表現(xiàn)出更好的預(yù)測性能.

【文章頁數(shù)】：8 頁

【文章目錄】：
1 長短期記憶模型介紹
2 基于GA-LSTM的交通流預(yù)測模型
    2.1 模型預(yù)測流程
    2.2 交通流數(shù)據(jù)處理
    2.3 遺傳算法優(yōu)化模型參數(shù)
    2.4 網(wǎng)絡(luò)訓(xùn)練
    2.5 網(wǎng)絡(luò)預(yù)測
3 實(shí)驗(yàn)評估指標(biāo)與環(huán)境
    3.1 實(shí)驗(yàn)對比模型
    3.2 實(shí)驗(yàn)評估指標(biāo)
    3.3 實(shí)現(xiàn)平臺
4 實(shí)驗(yàn)結(jié)果及分析
    4.1 交通流數(shù)據(jù)采集
    4.2 模型參數(shù)優(yōu)化與分析
        4.2.1 遺傳算法設(shè)置參數(shù)
            1)搜索空間.
            2)編碼.
        4.2.2 遺傳算法訓(xùn)練最優(yōu)值
        4.2.3 參數(shù)對模型尋優(yōu)影響
    4.3 預(yù)測結(jié)果及分析
5 結(jié) 論



本文編號：3822161