论文部分内容阅读
本文针对现有的部分交通流预测模型仅面向单一路段进行，模型输入数据未预处理的问题，采用启发式阈值算法对小波分解后的原始交通流数据做去噪处理，通过对路网内各路段交通流数据相关性系数计算，构造出路网交通流数据压缩矩阵。数据去噪和路网数据相关性分析将数据对模型的干扰降到最低的同时又使预测在路网层面上进行了考量，利用长短时记忆（Lstm）网络在时序数据处理方面的优势，将压缩矩阵输入构造好的LSTM模型进行短时交通流预测。利用去噪处理数据和原始数据分别训练Lstm-1和Lstm-2模型，通过仿真实验，设置不同预测时间将本文提出的预测方法和其他几种模型对比，验证了相较于其他几种模型预测的准确率平均可提升10.278%，预测的准确率达到了95.58%，说明是一种高效率的短时交通流预测方法。