Abstract：
短时交通流预测是智能交通管理的重要依据.为了提高短时交通流预测的精度,从交通流内在的稳态特征和动态特征着手,提出一种基于巴特沃兹滤波(Butterworth filter,BF),结合支持向量回归(support vector re-gression,SVR)算法和门控循环单元(gated recurrent unit,GRU)模型的预测方法,即BF-SVR-GRU模型.该方法先对交通流标准化处理,以加快后续模型计算的速度.通过设置适当阈值,利用巴特沃兹滤波将交通流信息分解为稳态分量和动态分量:稳态分量反映交通流总体变化趋势,动态分量反映突发因素(如交通事故、天气影响等)对交通流的影响.利用门控循环单元对稳态分量进行训练与预测,克服门控循环单元在预测变化剧烈的序列精度较低的问题;支持向量回归对非线性序列预测存在适应性较好、低泛化误差等优点,利用支持向量回归对动态序列进行训练与预测.最后,将稳态分量与动态分量的预测结果整合得到最终预测结果.采用某市不同的两个路口的数据集进行相关实验,结果表明,BF-SVR-GRU预测方法具有较好的预测精度,可为智能交通规划与管理提供有效的建议.
Keyword：
Reprint 's Address：
Email：
Version：
Source ：
贵州大学学报（自然科学版）
ISSN： 1000-5269
CN： 52-5002/N
Year： 2022
Issue： 2
Volume： 39
Page： 111-118
Cited Count：
WoS CC Cited Count： 0
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count： -1
Chinese Cited Count：
30 Days PV： 1
Affiliated Colleges：
