Un método de predicción del flujo de tráfico basado en AutoEncoder y LSTM

Las ciudades inteligentes pueden mejorar eficazmente la calidad de vida urbana. El Sistema de Transporte Inteligente (ITS) es una parte importante de las ciudades inteligentes. La predicción precisa y en tiempo real del flujo de tráfico juega un papel importante en los ITS. Para mejorar la precisión de la predicción, proponemos un nuevo método de predicción del flujo de tráfico, llamado método de predicción de AutoEncoder de Memoria a Largo y Corto Plazo (AE-LSTM). En nuestro método, el AutoEncoder se utiliza para obtener la relación interna del flujo de tráfico extrayendo las características de los datos de flujo de tráfico aguas arriba y aguas abajo. Además, la red de Memoria a Largo y Corto Plazo (LSTM) utiliza los datos de características adquiridas y los datos históricos para predecir datos de flujo de tráfico lineales complejos. Los resultados experimentales muestran que el método AE-LSTM tuvo una mayor precisión en la predicción. Específicamente, el Error Relativo Medio (MRE) del AE-LSTM se redujo en 0.01 en comparación con los métodos de predicción anteriores. Además, el método AE-LSTM también tuvo buena estabilidad. Para diferentes estaciones y diferentes fechas, el error de predicción y la fluctuación del método AE-LSTM fueron pequeños. Además, el MRE promedio de los resultados de predicción de AE-LSTM fue 0.06 para seis días diferentes.