摘要
随着神经网络的蓬勃发展,如今已在短时交通流预测领域得到了广泛的应用,并且有较高的预测准确度.针对训练集的选取对短时交通流预测结果影响显著的问题,从时间序列的角度出发,提出了一种基于K-means与门限循环单元(gated recurrent unit,GRU)神经网络相结合的短时交通流预测方法.利用K-means聚类算法建立交通流模式库,根据状态向量以及数据相似性确定训练集,并利用GRU神经网络预测短时交通流,通过美国交通研究数据实验室的真实数据验证了该方法的有效性.实验结果显示,与经典GRU神经网络相比,该方法预测结果的均方根误差(root mean square error,RMSE)降低了2.28,平均绝对百分比误差(mean absolute percent error,MAPE)降低了2.54％,表明该方法与传统GRU神经网络预测模型相比,预测结果误差明显下降.因此,基于K-means与GRU神经网络结合的交通流预测方法能够更好地挖掘交通流时间序列的关联性,可以为交通控制提供可靠的依据.
基金项目
陕西省自然科学基础研究计划项目(2017ZDJC-23)
国家科技期刊平台
NSTL
维普
万方数据