基于 CNN-ResNet-LSTM 模型的城市短时交通流量预测算法
基于 CNN-ResNet-LSTM 模型的城市短时交通流量预测算法针对交通流量特性与外部因素对交通流量预测结果的影响，提出了一种对城市短时交通流量预测的
模型 CNN-ResNet-LSTM，将卷积神经网络（CNN）、残差神经单元(ResNet)和长短期记忆循环神经网络
（LSTM）集成到一个端到端的网络框架．利用卷积神经网络来捕获城市区域间交通流量的局部空间特征，
并在卷积神经网络中加入多个残差神经单元来加深网络深度，可提高预测准确性；利用长短期记忆循环神
经网络来捕获交通流量数据的时间特征；然后，利用相应的权重将 2 个网络的输出结果融合，得到通过轨
迹数据预测的结果；最后与外部因素融合，得到城市区域的交通流量预测值．用北京市轨迹交通数据对该
模型进行验证，CNN-ResNet-LSTM 模型不仅在准确率方面比传统模型高，而且在保证预测准确率的情况
下，模型使用的参数也少．
页:
[1]