基于深度学习的短时交通流预测

摘要

采用三种基于深度学习的交通流预测模型对首都机场的交通流进行预测.首先对清洗过的交通流数据进行重构,使预测结果实现时空关联性.标准化处理之后分别使用堆叠自动编码机(SAE)模型、长短时记忆网络(LSTM)模型和门控循环单元(GRU)模型对机场交通流数据的特征进行学习,在顶层使用回归层对最终结果进行预测,最后反标准化得到结果,对三种模型的效果进行评估,证明了模型的可靠性.