發(fā)布時間：2021-06-19 19:32

　　近年來,交通數(shù)據(jù)呈爆炸式增長,準確、及時的交通流預(yù)測信息對于智能交通系統(tǒng)至關(guān)重要�；贚STM神經(jīng)網(wǎng)絡(luò)提出了一種考慮客車占比特征的短時交通流預(yù)測方法;提取車流數(shù)據(jù)中的客車占比特征并利用快速傅里葉算法（FFT）繪制其功率頻譜圖,驗證了高速公路客車占比特征的周期性特點;針對該特點,提出了基于LSTM引入客車占比特征的短時交通流預(yù)測模型,并以廣州北環(huán)高速某收費站為例進行分析。結(jié)果表明:引入客車占比特征的LSTM預(yù)測模型,有效降低了短時交通流預(yù)測的誤差,提高了預(yù)測的正確率。 

【文章來源】：重慶交通大學學報(自然科學版). 2020,39(11)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

圖1 時間間隔為15 min時一周的交通流量

利用式(1)計算一周的車流數(shù)據(jù)中每個時序的客車占比情況，作出折線圖，結(jié)果如圖2。從圖1和圖2看出，高速公路交通流量數(shù)據(jù)與高速公路客車占比數(shù)據(jù)呈現(xiàn)明顯的周期性特征，與城市交通流理論中指出的大部分交通流量數(shù)據(jù)存在周期性相符合。這種特性不僅存在于周與周之間，不同的工作日之間，甚至一天內(nèi)某些時段的交通流量數(shù)據(jù)也存在著相似。提取出交通流數(shù)據(jù)中隱藏的周期性部分可以幫助更好地理解交通系統(tǒng)，便于取得更準確的預(yù)測結(jié)果。

利用1.2.1節(jié)介紹的快速傅里葉(FFT)算法對高速公路流量數(shù)據(jù)(圖1)及客車占比數(shù)據(jù)(圖2)進行周期性驗證，分別繪制其功率頻譜圖，結(jié)果如圖3、圖4。圖4 客車占比數(shù)據(jù)周期-功率頻譜

【參考文獻】：
期刊論文
[1]基于深度學習的短時交通流預(yù)測研究[J]. 王祥雪,許倫輝.  交通運輸系統(tǒng)工程與信息. 2018(01)
[2]基于時空特征分析的短時交通流預(yù)測模型[J]. 田�；�,郭彬.  重慶交通大學學報(自然科學版). 2016(03)
[3]移動平均法的滯后問題[J]. 李琦,陳玉新.  統(tǒng)計與決策. 2008(22)
[4]共軛對稱數(shù)據(jù)的DFT及其FFT算法[J]. 陳建平,曹清林,沈世德.  電子與信息學報. 2001(02)



本文編號：3238408