基于 GRU-SVR 的短时交通流量预测研究

来源：计算机技术与发展杂志2019年第10期北京时间：

作者：潘伟靖;';陈德旺;'

摘要：短时交通流量预测为智能交通系统(ITS)的研究方向之一。现有相关研究中所提及的基于深度学习的方法,需要较高的计算复杂度或模型的回归预测能力存在一定的不足。 因此,提出一种将门循环单元(gated recurrent unit,GRU)与支持向量回归(support vector regression,SVR)相结合的模型。 该模型一方面借助深度学习模型的强大能力进行特征提取工作,并相较长短时记忆网络(long short term memory,LSTM)降低了一定的计算量,同时,又以支持向量回归模型来增强整个模型的回归预测能力。 文中基于 Keras 所提供的 python 库,完成实验设计及开发,根据实验结果对模型进行逐步调整,选择最优模型,并在 PeMS 数据集上对模型的泛化能力以及抗噪能力进行了测试。 实验结果表明,与 SVR 以及 GRU 模型相比较,GRU-SVR 模型预测精度分别提升了 4%和 1.6%,并且该模型具有一定的泛化及抗噪能力。

关键词：门限循环单元;支持向量回归;长短期记忆网络;深度学习;短时交通流量