基于改进LSTM算法的短时交通流量预测.pdf

第 卷 第 期 桂 林 理 工 大 学 学 报
41 2 achine, SVM)
0　 　 测方法[5] 从预测效果来看 基于短时交通流非线
。 ,
及时准确的短时交通预测是智能交通系统中交 性的特点 相比线性方法 非线性方法理论上更加
, ,
通诱导 事故检测 交通分配的前提 常见的短时交 适用 它不需要线性方法的模型辨识和参数估计过
、 、 , ,
通流量预测方法可以简略分为以下 种 基于线 程 而是通过对历史数据进行学习推演 但是这种
3 : ① , 。
性模型的方法 线性模型主要包括 历史平均模型 方法也有弊端 一是由于只是根据历史数据训练
。 : , ,
卡尔曼滤波模型 从数据本身寻找演化规律 没有涉及交通流的机理
(historica l average, HA)、 (Kalman , ;
及求和自回归滑动平均模型 二是为了能够保证学习的效果和预测精度 必须有
filtering , KF) ( autoreg ,
如 大量的数据作支撑 数据量越大运算量也越大 并
ressive integrated moving average, ARIMA)。 Ema- ,