基于 K-means 与 GRU 的短时交通流预测研究

来源：计算机技术与发展杂志2020年第07期北京时间：

作者：凤少伟;凤超;申浩

摘要：随着神经网络的蓬勃发展,如今已在短时交通流预测领域得到了广泛的应用,并且有较高的预测准确度。 针对训练集的选取对短时交通流预测结果影响显著的问题,从时间序列的角度出发,提出了一种基于 K-means 与门限循环单元(gated recurrent unit,GRU)神经网络相结合的短时交通流预测方法。利用K-means 聚类算法建立交通流模式库,根据状态向量以及数据相似性确定训练集,并利用GRU 神经网络预测短时交通流,通过美国交通研究数据实验室的真实数据验证了该方法的有效性。实验结果显示,与经典 GRU 神经网络相比,该方法预测结果的均方根误差(root mean square error,RMSE) 降低了 2.28,平均绝对百分比误差(mean absolute percent error,MAPE) 降低了 2.54% ,表明该方法与传统 GRU 神经网络预测模型相比,预测结果误差明显下降。 因此,基于 K-means 与 GRU 神经网络结合的交通流预测方法能够更好地挖掘交通流时间序列的关联性,可以为交通控制提供可靠的依据。

关键词：短期交通流;神经网络;K-means 聚类;GRU;预测