基于GRU-SVR的短时交通流量预测研究

摘要

短时交通流量预测为智能交通系统(ITS)的研究方向之一。现有相关研究中所提及的基于深度学习的方法,需要较高的计算复杂度或模型的回归预测能力存在一定的不足。因此,提出一种将门循环单元(gated recurrent unit,GRU)与支持向量回归(support vector regression,SVR)相结合的模型。该模型一方面借助深度学习模型的强大能力进行特征提取工作,并相较长短时记忆网络(long short term memory,LSTM)降低了一定的计算量,同时,又以支持向量回归模型来增强整个模型的回归预测能力。文中基于Keras所提供的python库,完成实验设计及开发,根据实验结果对模型进行逐步调整,选择最优模型,并在PeMS数据集上对模型的泛化能力以及抗噪能力进行了测试。实验结果表明,与SVR以及GRU模型相比较,GRU-SVR模型预测精度分别提升了4%和1.6%,并且该模型具有一定的泛化及抗噪能力。