基于深度学习的短时交通流预测研究

来源：交通运输系统工程与信息杂志2018年第1期北京时间：

作者：王祥雪，许伦辉

单位：华南理工大学 土木与交通学院，广州 510640

摘要：针对交通流时间序列，在深度学习的理论框架下，构建基于LSTM-RNN的城市快 速路短时交通流预测模型.根据交通流的时空相关性完成时间序列的重构，依靠模型训练对时 空关联特性进行识别和强化，兼顾精度和时效性确定神经网络深度，完成短时交通流预测模 型搭建.基于TensorFlow 的Keras 完成LSTM-RNN的逐层构建和精细化调参，利用路网实测数 据样本完成算法验证，实现模型本地保存并根据预测精度进行自适应更新.结果表明，本文所 采用的预测算法精度高，受训练样本量的限制较小，实时性、扩展性和实用性均得到有效提高.

关键词：交通工程,交通流预测,LSTM-RNN,时间序列,深度学习

基金资助：国家自然科学基金/National Natural Science Foundation of China(61263024)；广东省自然科学基金/National Natural Science Foundation of Guangdong Province(2016A030310104).