首页|基于时空特征向量的长短期记忆人工神经网络的城市公交旅行时间预测

基于时空特征向量的长短期记忆人工神经网络的城市公交旅行时间预测

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
针对"随着预测距离的增加,旅行时间预测的难度加大"的问题,提出了一种基于时空特征向量的长短期记忆(LSTM)和人工神经网络(ANN)的综合预测模型.首先,将24 h切分为288个时间切片,以生成时间特征向量;然后,基于时间切片建立LSTM时间窗口模型,该模型可解决长期预测的窗口移动问题;其次,将公交线路切分为多个空间切片,并使用当前空间切片的共同平均速度作为瞬时速度,同时将每个空间切片的预测时间用作空间特征向量,并将其发送到新型的混合神经网络模型LSTM-A中,该模型结合两种预测模型的优点并解决了公交旅行时间预测问题;最后,基于实验数据集进行了实验和测试:将公交站点间的预测问题划分为线路切片预测子问题,并针对每个相关的子问题引入了实时计算的概念,从而避免了复杂路况带来的预测误差.实验结果表明,所提算法在准确性、适用性方面均优于单个神经网络模型.综上,所提的新型混合神经网络模型LSTM-A能从时间特征的维度实现长距离到站预测、从空间特征的维度实现短距离到站预测,从而有效地解决了城市公交旅行时间预测问题,避免了公交车辆的远程依赖和错误积累.
LSTM and artificial neural network for urban bus travel time prediction based on spatiotemporal eigenvectors

张欣环、刘宏杰、施俊庆、毛程远、孟国连

展开 >

浙江师范大学道路与交通工程研究中心,浙江金华321004

西安交通大学电子信息工程学院,西安710049

城市交通 长短期记忆网络 人工神经网络 长短期记忆人工神经网络 旅行时间预测

浙江省教育厅项目浙江省自然科学基金资助项目浙江省自然科学基金资助项目教育部留学回国人员科研启动基金资助项目

Y201738488LY18G010009LY18G030021ZC304012027

2021

10.11772/j.issn.1001-9081.2020060467

计算机应用
中国科学院成都计算机应用研究所

计算机应用

CSTPCDCSCD北大核心
影响因子：0.892
ISSN：1001-9081
年,卷(期)：2021.41(3)
  • 6
  • 2