基于时序分解和循环神经网络的短时交通流预测方法

摘要

本发明设计了一种短时交通流预测方法。本发明结构主要分为三个部分：首先，通过历史平均模型构建日内交通流量趋势，并通过自回归滑动平均模型（ARIMA）拟合实际流量与日内流量趋势之间的剩余部分。然后建立广义自回归条件异方差（GARCH）模型来捕获自回归滑动平均模型残差序列的波动性以增强预测能力；使用长短时记忆神经网络（LSTM）用于捕捉日常交通的长期依赖性和非线性特征；最后，通过深度神经网络（DNN）融合和学习上述特征用于预测。本发明深入挖掘交通流数据的随机性与不确定性，充分考虑交通流数据中的线性和非线性特征，从而有效提高了交通流量数据的预测精度。