基于 CNN-ResNet-LSTM 模型的城市短时交通流量预测算法

杨利霞

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
1 |! @$ V- U& E& c1 Y% N9 G1 W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
, v6 \* r4 |! E: ]( U- Y（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，
* t2 U. j6 N1 X" c, _$ }% o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
- R+ Q7 b! [2 [0 O9 v. f+ O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
, a; j" K; c5 N+ S- B/ O* B1 p下，模型使用的参数也少．
& \2 _! d' h0 A0 A& B

# \- V7 R& h; D2 x% P2 ]7 S' [# F