基于门限递归单元循环神经网络的交通流预测方法研究

摘要

为了有效地实施智能交通管理系统,需要进一步提高交通流量预测的准确率。提出了一种基于门限递归单元循环神经网络的短时交通流量预测方法,该方法可以不依靠先验知识,有效地利用"序列信息"建模。通过使用该方法对加拿大大不列颠哥伦比亚省的真实交通流量数据进行建模分析,并对比了在不同滞后时间的输入数据下该方法的预测效果,然后将其与ARIMA和SVR的预测结果进行了对比,同时也展示了该方法在工作日和周末的实际预测效果。结果表明:该方法预测效果良好,其平均绝对百分误差比ARIMA与SVR分别平均降低了74.72%和12.15%,预测值和实际交通流量吻合度高,是一种预测精度高且有效的交通流量预测方法。