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

6 {% O" U$ _7 N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
/ R( y6 S% O  k# F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
' |7 ?) [* c4 N6 t/ Q2 K5 I（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
1 V% @* l; P+ P, ~1 z# Q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．
/ N9 p! n: J. c* x" R4 p

# R9 W$ I6 S+ a- v1 f. \" j/ e