基于深度学习的城市道路旅行时间预测

摘要

城市道路旅行时间预测是城市智能交通系统的重要支撑.选择深度学习中的四种长短期记忆神经网络(Long Short-Term Memory,LSTM)架构进行道路旅行时间的预测.固定LSTM隐藏层的节点数以确定模型的最佳输入长度;固定模型的输入长度,分别测试在不同的隐藏层节点数和考虑空间相关性的条件下四种LSTM模型的预测性能;将空间LSTM模型与传统BP(Back Propagation)神经网络等四种模型进行了对比和分析.结果表明相对于其他四种模型,考虑空间相关性的LSTM模型具有更好的拟合和训练能力.