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

9 Z& G! \  P, P$ R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
/ b0 N' u) t+ F5 z! d) Y. {4 }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
# D7 Y8 Y' M" p3 `. o- b# H1 n（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，
5 }* X2 H7 ?. Y# `9 K/ Q! A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
/ X/ G$ ?$ S, T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
, U" [7 f5 T7 L2 w/ Q2 D' ?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
. g4 v7 z. Q) n4 _下，模型使用的参数也少．


4 }6 F, r% T  z& r- n# M* T