![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于Wavelet-LSTM模型的高速公路入口短时交通流预测.pdf
《基于Wavelet-LSTM模型的高速公路入口短时交通流预测.pdf》由会员分享,可在线阅读,更多相关《基于Wavelet-LSTM模型的高速公路入口短时交通流预测.pdf(4页珍藏版)》请在咨信网上搜索。
1、基于Wavelet-LSTM模型的高速公路入口短时交通流预测刘兴国1,夏传飞,王秀兰3,冯镛,余聪1(1.山东交通学院交通与物流工程学院,山东济南2 50 357;2.山东省临沂市交通运输执法支队,山东临沂2 7 6 0 0 0;3.山东公路技师学院,山东济南2 530 2 0)摘要:为提高高速公路短时交通流预测的准确度,基于高速公路实时的收费数据,采用小波分解(waveletdecomposition,Wavelet)和长短时记忆(long short-termmemory,LSTM)相结合的方法,构建Wavelet-LSTM短时交通流组合预测模型,并与单一模型LSTM、随机森林(Rando
2、m forest,RF)及组合模型Wavelet-RF进行对比。结果表明,提出的组合预测模型具有更高的预测精度,且能更有效地把握高速公路交通流的变化,该模型预测准确度接近9 4%,平均绝对百分比误差为6.7%,比LSTM、R F、W a v e le t-R F分别提高了11.41%、13.6 5%、1.7 3%。借助于更精确的交通流预测模型,可为智慧高速建设提供一定的助力。关键词:高速公路;短时交通流预测;小波分解;长短时记忆神经网络中图分类号:U491.1Short-term traffic flow prediction athighway entrances based on Wave
3、let-LIU Xingguo,XIA Chuanfei,WANG Xiulan,FENG Yong,YU Cong(1.School of Transportation and Logistics Engineering Shandong JiaotongUniversity,Shandong Jinan 250357 China;2.Linyi Transportation LawEnforcement Detachment,Shandong Linyi 276000 China;3.ShandongCollege of Highway Technician,Shandong Jinan
4、253020 China)基金项目:国家社会科学基金,项目编号:19 BJY173;山东省重点研发计划,项目编号:2 0 2 1RZA02025;山东省交通科技计划,项目编号:2 0 19 B67,2020B50,2022B31。收稿日期:2 0 2 3-0 3-2 2作者信息:刘兴国(19 9 6 一),男,江苏徐州人,在读硕士研究生,研究方向为交通大数据。-52-Abstract:In order to improve the accuracy of highway short-term traffic flow prediction,this paper uses a combinati
5、on ofwavelet decomposition(Wavelet)and long short term memory(LSTM)to construct a Wavelet-LSTM short-term traffic flowprediction model based on real-time highway toll data,andcompares it with some single model LSTM,random forest(RF)and combined model Wavelet-RF.The results show that thecombined pred
6、iction model proposed in this paper has higherprediction accuracy and is more effective in grasping thechanges of highway traffic flow,with a prediction accuracy ofnearly 94%and an average absolute percentage error of 6.7%,which is 11.41%,13.65%and1.73%higher than LSTM,RFand Wavelet-RF respectively,
7、with the help of more accuratetraffic flow prediction model,a certain amount of assistance canbe provided to the construction of smart highway.文献标识码:AKey words:highway;short-term traffic flow prediction;wavelet decomposition;long short term memory neuralnetwork0引言短时交通流预测方法一般分为统计理论预测、LSTM model机器学习预测
8、与组合模型预测三大类。统计理论预测为交通流预测早期的研究方法,统计理论预测方法有差分整合移动平均自回归模型(AutoregressiveIntegrated Moving Average Model,ARIMA)1,卡尔曼滤波(KalmanFiltering,KF)【2】等方法,一般对模型和数据本身有一定的要求,多数情况需要对数据的分布做出一定的假设。而机器学习方法不需要对数据进行假定,且更适合应用于非线性系统,戴洪波和曾献辉【3 将与预测时间段相关性高的交通流信息作为BP(Ba c k Pr o p a g a t io n,BP)神经网络预测模型输入,最终提高了模型预测精度。程政和陈贤富【
9、41在处理非线性的交通流预测上利用RF更好的泛化能力取得了较好的效果。随着交通流数据的增加,机器学习中的深度学习模型如卷积神经网络山东交通科技(Convolutional Neural Networks,CNN)、LST M 等被广泛的应用。YAO和YE5 提出了基于循环神经网络的LSTM模型,实现在非线性大数据环境下交通流的准确预测。虽然以上算法都取得了较好的预测结果,但是组合模型的预测精度相对于单一的模型预测而言,前者在预测精度上有很大的提升,李明明等 6 将LSTM与BP神经网络算法相组合,HE等7 提出CNN-LSTM组合算法,他们都是利用每种模型各自的特点,将模型相组合,使组合后的模
10、型预测精度更高。近年来,组合模型与小波理论的结合被相应提出,王小凡等【8 使用遗传算法优化的方式构建小波神经网络预测模型,方方和王昕 9 通过小波分析与集成学习进行预测,将得到的多个子模型再进行重组,预测准确率均高于单一预测模型。高速公路收费站人口短时交通流的精确预测,可以使相关部门能够及时采取开放车道、交通诱导、均衡分流等措施,缓解或避免高速公路人口处的交通拥堵。且高速公路交通流数据的收集多是利用微波车检器的实测数据,多数的预测是对某个断面或某个路段进行预测,对收费站口交通流的预测研究则很少 10 。由于高速公路短时交通流具有不确定性、非线性、非平稳性的特点,基于现有的组合模型研究进展,提出
11、小波分解与LSTM组合的方法对高速公路入口进行短时交通流预测,通过小波基函数将高速公路数据的趋势信息和波动细节信息进行分解,解决数据的波动性问题,并充分利用LSTM算法在处理非线性的数据与挖掘时序信息上的优势,有效提高模型预测的精度。1基于Wavelet-LSTM的组合预测分析1.1高速公路短时交通流数据处理分析2023年第5期1.2小波分解变换理论小波分解变换使用窗口调整的方法,对原信号进行尺度变换以实现局部化分析的目的。对于非稳定信号,通过小波分解的方法对信号提取各种特征,形成一系列按照不同尺度划分的子序列。在多尺度变换中有不同的小波基函数,常见类型包括Morlet小波、Haar小波和Da
12、ubechies(d b N)小波等。在函数空间L(R)中,对于任意的信号f(x)L(R)均可以分解近似部分(低频部分)和细节部分(高频部分),而近似部分反映信号的根本信息,细节部分则和噪音相关,最后将分解的数据进行重构相加得到原信号f(x):f()-a+d,.+d.+d.+d,+d.(1)式中:,为低频近似部分的重构数据;d,为高频细节部分的重构数据;n为分解的层数。1.3LSTM神经网络模型循环神经网络(RecurrentNeural Network,RNN)是神经网络的一种,而长短时记忆神经网络是由RNN进行改进后的结果,原始的RNN在训练过程中,因训练时间或者训练层数的变化,容易出现梯
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 Wavelet LSTM 模型 高速公路 入口 短时交 通流 预测
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。