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

3 O' b" k& |# i; f8 |! H( i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
3 h* d: u! Z+ `' G) y0 S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，
/ K% q1 k0 i5 [4 d5 M; O) b( Q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
; j; |6 q0 I& @6 R5 q2 t( f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
) W  F5 S! t4 L/ X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
! Y9 [/ D0 T! ^7 d- e/ |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
  g/ c% A# w& q/ C0 g1 z" A下，模型使用的参数也少．
6 D% M& j3 J4 `& r+ M
& G8 X/ H9 v- b: |, R0 B$ w3 K8 y