基于组合深度学习的快速路车道级速度预测研究

来源：交通运输系统工程与信息杂志2019年第4期北京时间：

作者：谷远利，陆文琦，李萌，王硕，邵壮壮

单位：1. 北京交通大学综合交通运输大数据应用技术交通运输行业重点实验室，北京 100044； 2. 东南大学交通学院，南京 211189

摘要：随着物联网、云计算和大数据在智能交通领域的普及应用，传统的以道路断面为研究对象的预测方法已经无法满足智能网联技术发展的需求.本文以车道断面为研究对象，提出一种基于组合深度学习(Combined Deep Learning，CDL)的城市快速路车道级速度预测模型.该模型利用基于信息熵的灰色关联分析提取空间特征变量，采用长短期记忆神经网络提取空间特征变量的时间特征，并利用门限递归单元神经网络得到预测结果.通过北京市东二环路车道断面实测微波数据验证发现，提取车道交通流的时空特征，CDL模型能够很好地拟合不同车道不同时段的速度变化趋势，可有效地实现车道速度的单步及多步预测，且该模型的预测精度和稳定性均优于传统预测模型.

关键词：城市交通,速度预测,深度学习,交通流,时空特征

基金资助：国家自然科学基金/ National Natural Science Foundation of China(41771478)；北京市科技计划项目/ Beijing Municipal Science and Technology Project(Z121100000312101).