오토인코더 및 LSTM 기반 교통 흐름 예측 방법

스마트 도시는 도시 생활의 질을 효과적으로 향상시킬 수 있습니다. 지능형 교통 시스템(ITS)은 스마트 도시의 중요한 부분입니다. 교통 흐름의 정확하고 실시간 예측은 ITS에서 중요한 역할을 합니다. 예측 정확도를 향상시키기 위해, 우리는 오토인코더 롱 쇼트-텀 메모리(AE-LSTM) 예측 방법이라는 새로운 교통 흐름 예측 방법을 제안합니다. 우리의 방법에서, 오토인코더는 상류 및 하류 교통 흐름 데이터의 특성을 추출하여 교통 흐름의 내부 관계를 획득하는 데 사용됩니다. 또한, 롱 쇼트-텀 메모리(LSTM) 네트워크는 획득한 특성 데이터와 역사적 데이터를 이용하여 복잡한 선형 교통 흐름 데이터를 예측합니다. 실험 결과는 AE-LSTM 방법이 더 높은 예측 정확도를 보였음을 보여줍니다. 구체적으로, AE-LSTM의 평균 상대 오차(MRE)는 이전의 예측 방법에 비해 0.01 낮아졌습니다. 또한, AE-LSTM 방법은 좋은 안정성을 보였습니다. 서로 다른 정거장과 서로 다른 날짜에 대해 AE-LSTM 방법의 예측 오차와 변동성이 작았습니다. 더욱이, AE-LSTM 예측 결과의 평균 MRE는 6일 동안 0.06이었습니다.