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

% J; v0 H0 R. W* g9 ?


! `% @3 G$ t% L! B' B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
8 |+ t) a, j- y/ C/ Q1 ~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，
7 Z' T% X% n1 x* M4 v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
: _6 Z2 B6 A$ z) {) x/ p下，模型使用的参数也少．


; Y, t" o& B! N9 R8 q* `7 A