基于改进 GRU 的高速公路交通流量预测模型

来源：计算机技术与发展杂志2023年第07期北京时间：

作者：陈刚

单位：广西交通投资集团,广西 南宁 530022 Author(s): CHEN Gang Guangxi Communications Investment Group Corporation Ltd. ,Nanning 530022,China 关键词: 交通流量预测;高速公路;长短期记忆神经网络;门控循环网络;预测模型 Keywords: traffic flow prediction;highway;long short-term memory neural network;gated recurrent unit;prediction mode 分类号: TP183;U491 DOI: 10. 3969 / j. issn. 1673-629X. 2023. 07. 031 摘要: 交通流量预测常用于改善交通阻塞控制,是构建智能交通系统的基本技术之一。 为了能够准确、高精度预测高速公路交通流量,充分利用交通流量的随机性、非线性及周期性等特征,设计了基于改进门控循环网络高速公路交通流预测模型,采用平均绝对误差(MAE)等 3 项评估指标,依托广西高速公路的交通流量数据集和芬兰公共交通管理局某自动测量站(LAM) 收集的道路交通信息上进行实例应用,并与长短期记忆神经网络( LSTM) 和门控循环网络( GRU) 进行对比。以芬兰数据集为例分析,在三层神经网络结构上采用 adam 优化器的改进 GRU 模型预测精度更高,其 RMSE 值为 8. 672 9,MAE 值为 6. 199 1, MAPE 值为 24. 76% ;在广西数据集上可得到同样的结论,三项指标均优于 LSTM 和 GRU。 进一步验证了所提模型的准确性和稳定性,以及在高速公路流量预测方面的实用性。

摘要：交通流量预测常用于改善交通阻塞控制,是构建智能交通系统的基本技术之一。 为了能够准确、高精度预测高速公路交通流量,充分利用交通流量的随机性、非线性及周期性等特征,设计了基于改进门控循环网络高速公路交通流预测模型,采用平均绝对误差(MAE)等 3 项评估指标,依托广西高速公路的交通流量数据集和芬兰公共交通管理局某自动测量站(LAM) 收集的道路交通信息上进行实例应用,并与长短期记忆神经网络( LSTM) 和门控循环网络( GRU) 进行对比。以芬兰数据集为例分析,在三层神经网络结构上采用 adam 优化器的改进 GRU 模型预测精度更高,其 RMSE 值为 8. 672 9,MAE 值为 6. 199 1, MAPE 值为 24. 76% ;在广西数据集上可得到同样的结论,三项指标均优于 LSTM 和 GRU。 进一步验证了所提模型的准确性和稳定性,以及在高速公路流量预测方面的实用性。

关键词：交通流量预测;高速公路;长短期记忆神经网络;门控循环网络;预测模型