準確的高速公路短時交通流預測是實現(xiàn)交通誘導和控制的重要前提和基礎。為了提高預測精度,提出一種基于流形距離（MD）的K近鄰-長短期記憶（K-nearest neighbor-long short-term memory,KNN-LSTM）高速公路短時交通流預測模型。該模型利用流形相似性分析高速公路交通流的時空特性,計算多站點與目標站點之間的流形距離。然后,采用改進的KNN算法篩選出空間相關站點構造交通流數(shù)據(jù)集,通過LSTM模型提取時序特征得出預測結果。實驗表明,與單一預測模型相比,該方法能更好地提取交通流時空特性且預測精度更高,可為高速公路的交通管理提供必要的依據(jù)。 

【文章來源】：科學技術與工程. 2020,20(18)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

站點1581交通流時間序列

高速公路交通流的時間序列具有非線性和波動性。圖1為2019年11月21日站點1581交通流時間序列,交通流有過兩次高峰,一次在6:00左右,另一次在17:00左右,而在其他時刻流量有所下降。盡管整體趨勢明顯,但數(shù)據(jù)點之間交替出現(xiàn)局部極大值和極小值,呈現(xiàn)出隨機波動特性[7]。此外,高速公路交通流的時間序列整體呈現(xiàn)出相似趨勢。圖2為2019年11月11—17日站點1581交通流時間序列。從圖2(a)中可以看出相同斷面的交通流量在工作日(周一 —周五)中呈現(xiàn)出日相似性。而周末(周六至周日)的交通流趨勢又和工作日不同,具體變化如圖2(b)所示。高速公路的交通流時間序列受各種因素影響呈現(xiàn)非線性變化,但當前時刻的交通流量必然與前幾個時刻的交通流量有關。因此,根據(jù)交通流的時間特性,所提出預測算法不僅需要有處理周期性分布變化的能力,而且還可以根據(jù)外部因素變化重新學習[8]。1.2 空間相關性

在高速路網中,道路交通是一個復雜的網絡,網絡中的交叉口相互聯(lián)系,相互影響。選擇空間相關性強的站點可以提高預測精度[9]。圖3為2019年11月21日探測器在 WA I-5公路不同站點采集的交通流速度數(shù)據(jù)。從圖3中可以看出,交通流的擁堵和分散過程,紅色表示路段擁擠,車速較小;綠色表示道路平坦,車速快。上游路段的交通流狀態(tài)可以擴散到下游路段,距離越近,擴散程度越大[10]。由此可見,高速公路交通流在空間上呈現(xiàn)出流形相似性。2 預測模型構建


本文編號：3406751