本发明公开了一种基于CNN‑LSTM‑At神经网络的短时交通流量预测方法,以某个地区的出租车数据作为交通流量的代表,先对该地区进行网格化划分,再以一段时间间隔内的交通流量定义为在这个时间间隔内到达和/或离开该方格的出租车订单次数,通过矩阵的方式表示出租车订单,使用滑动窗口的方式提取邻近的矩阵构成数据集,通过卷...
2019-243基于 CNN-ResNet-LSTM 模型的城市短时交通流量预测算法蒲悦逸 1 , 王文涵 1 , 朱强 1 , 陈朋朋 1,2(1. 中国矿业大学 计算机科学与技术学院, 徐州 221116;2. 中国矿业大学 矿山数字化教育部工程研究中心, 徐州 221116)摘要: 针对交通流量特性和外部因素对交通流量预测结果的影响,提出了一种对城市...
根据短时交通流量数据呈现出的非线性、周期性、高波动性、长记忆性等特征, 考虑到不同预测方法的优缺点,本文采用SARIMA-CNN-LSTM组合模型对车流量序 列进行预测分析。结合SARIMA模型对于具备周期性的数据拟合效果较好,LSTM 模型适合处理具备长记忆性特征的数据并且有着强大的非线性映射能力的优点,本文 首先分别采用三种...
与LSTM分别提取交通流的空间、时间特征，从而进行短期和长期预测[5-6]。为了进一步提高预测精度，该文采用PSO优化CNN-LSTM，提出一种CNN-LSTM-PSO 算法，并应用于交通拥堵预测。1 CNN-LSTM-PSO的交通流量预测模型 CNN-LSTM混合网络结构由一维CNN、LSTM和特征融合层构成。CNN层负责捕捉交通流数据的局部趋 ...
基于时间序列的交通量预测方法如差分自回归滑动平均模型,主要是将历史的流量数据按照时间排列成为时间序列,根据时间序列分析数据流的变化趋势从而预测未来的交通流量,但是这种算法的缺点是在处理数据量较大、维度较高的数据时效果一般,推广能力较差。基于神经网络交通量预测方法如GRU和LSTM,这些模型存在着计算过程中收敛速度...
首先,全面总结现有的交通流量预测方法并进行比较;其次,对交通流预测中涉及到的基本定义、参数进行详细阐述;再次,详细介绍了机器学习和深度学习理论,为后续建立模型奠定理论基础;然后,采用深度学习中的CNN、LSTM作为基本网络结构,并对其进行组合得到新模型来对交通流进行预测;最后,利用北京市2015年的出租车出行数据来对...
基于cnn-xgboost的短时交通流预测
基于Community-3DCNN的城市网格交通流量预测.pdf,摘要 摘要 近年来,随着科技实力的跨越式发展,人们的生活质量有了明显的提升。 日益增长的交通需求和固定有限的道路空间,使得交通拥堵问题逐渐成为一 个世界性的难题。但是与此同时,交通信息的获取质量和数据的准确性也在
随着城市人口的增加和交通拥堵问题日益严重,出租车需求预测成为了城市交通规划和调度的重要课题。出租车需求预测主要指根据历史数据和当前环境特征,通过建立模型来预测未来某一时刻或某一地区内的出租车需求数量。为了提高预测的准确性,我们提出了一种基于深度CNN-LSTM-ResNet组合模型的出租车需求预测方法。 首先,我们介绍...