基于CNN+LSTM的短时交通流量预测方法

• 全文链接
• 请求原文

作   者：

晏臻;  于重重;  韩璐;  苏维均;  刘平; 

作者机构：

北京工商大学计算机与信息工程学院; 

关键词：

长短期记忆网络;  卷积神经网络;  预测;  交通流量;  时空特征; 

期刊名称：

计算机工程与设计

i s s n：

1000-7024

年卷期：

2019 年 09 期

页   码：

2620-2624+2659

摘   要：

针对传统的预测方法只考虑到了交通流量的时序特征,忽略了其空间特征这一问题,提出卷积神经网络(CNN)和长短期记忆网络(LSTM)相结合的短时交通流量预测模型。通过CNN挖掘相邻路口交通流量的空间关联性,通过LSTM模型挖掘交通流量的时序特征,将提取的时空特征进行特征融合,实现短期流量预测。实验结果表明,CNN+LSTM模型预测误差明显小于其它模型,验证了考虑时空特征进行交通流量预测的有效性。