Kurzfristige Verkehrsflussvorhersage für städtische Straßenabschnitte basierend auf Zeitreihenanalyse und LSTMBILSTM-Methode

Die Echtzeit-Leistung und Genauigkeit der Verkehrsflussvorhersage beeinflussen direkt die Effizienz von Verkehrsflusslenksystemen, und die Verkehrsflussvorhersage ist ein Schwerpunkt im Bereich des intelligenten Verkehrs. Um die Genauigkeit der kurzfristigen Verkehrsflussvorhersage weiter zu verbessern, wird ein Modell zur kurzfristigen Verkehrsflussvorhersage basierend auf der Verkehrsfluss-Zeitreihenanalyse und einem verbesserten Long Short-Term Memory-Netzwerk (LSTM) vorgeschlagen. Zunächst wird eine Zeitreihenanalyse der Verkehrsflussdaten durchgeführt und eine Glättungs- und Standardisierungsverarbeitung durchgeführt, um eine stabile Zeitreihe als Eingabedaten für das Modell zu erhalten, die die Genauigkeit des Modelltrainings verbessern und die Auswirkungen einer breiten Palette von Merkmalswerten beseitigen kann. Dann werden ein verbessertes LSTM-Modell sowie bidirektionale LSTM-Netzwerke etabliert. Durch die Kombination der Vorteile sequenzieller Daten und der langfristigen Abhängigkeit von vorwärtsgerichteten LSTM und rückwärtsgerichteten LSTM wird das bidirektionale Long-Term-Memory-Netzwerk (BILSTM) in das Vorhersagemodell integriert. Die erste Schicht des LSTM-Netzwerks lernt und sagt die Eingabzeitreihe voraus und lernt weiter und trainiert durch das bidirektionale LSTM-Netzwerk, um große Vorhersagefehler effektiv zu überwinden. Schließlich wird die Leistung der vorgeschlagenen Methode bewertet, indem die vorhergesagten Ergebnisse mit den tatsächlichen Verkehrsdaten verglichen werden. Das in dieser Arbeit vorgeschlagene Modell wird mit dem Long Short-Term Memory-Netzwerk (LSTM)-Modell und dem bidirektionalen Long-Term Memory-Netzwerk (BILSTM)-Modell verglichen. Die Ergebnisse zeigen, dass die vorgeschlagene Methode in Bezug auf Genauigkeit und Stabilität besser abschneidet als beide verglichenen Methoden.