基于深度学习的短时交通流预测模型

摘要

针对现有交通流短时预测模型在描述交通流时空特征能力较弱的问题,提出了一种卷积神经网络和门控循环单元神经网络相结合的深度神经网络预测模型.该模型利用卷积神经网络提取短时交通流数据的空间特征,并将结果输入到门控循环单元神经网络中,挖掘短时交通流数据的时间特征.以加州交通局绩效评估系统的交通流数据为例,对该模型进行训练,验证该模型的准确性.试验结果表明:与现有的模型相比,该模型具有更好的预测性能,其平均绝对百分误差显著减少,可为交通管理与控制提供有效依据.