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

5 E$ p5 N4 w( K. v


* _' q& A$ I9 K0 q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，
& t4 L+ X( F' h7 n- ~, q) i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
! k; Y9 d7 T1 n3 e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
% t, n' N  ~' f* Y4 H- f  E# W; B下，模型使用的参数也少．
1 ]3 l% z1 }( S1 \3 Y

! w; y4 w) |. ^; l. f4 M  b