计算机应用

作者：曹堉, 王成, 王鑫, 高悦尔

单位：1.华侨大学 计算机科学与技术学院，福建厦门 3610212.华侨大学 建筑学院，福建厦门 361021

关键词：城市交通,短时交通流预测,时空相关性分析,时空节点选择,深度学习,包裹式特征选择,遗传算法

基金：国家自然科学基金青年基金资助项目(51608209);福建省自然科学基金面上项目(2017J01090)；福建省引导性计划项目 (2019H0017)；泉州市科技计划项目(2018Z008);华侨大学研究生科研创新能力培育计划项目(17014083001)。

针对目前交通流短时预测对于交通流特性考虑得不够全面、预测精度不高的问题，提出一种基于时空节点选择和深度学习的城市道路交通流短时预测方法。首先,在理论和数据表现上对交通流特性进行分析，获得时空特性;其次,根据车流的可达范围确定候选时空节点集合，以误差平方和的倒数为目标函数计算适应度，在训练集上使用遗传算法和反向传播神经网络(BPNN)进行时空节点选择，得到最终的时空节点和训练好的BPNN;最后,在工作集上将选择的时空节点的实测值输入训练好的BPNN得出预测值。实验结果表明，所提模型与仅使用相邻时空节点数据、采用其他时间节点范围、支持向量机(SVM)和梯度提升树(GBDT)相比误差略有降低，平均绝对误差(MAE)和平均绝对百分误差(MAPE)分别为10.631 6和14.275 8%；仅使用与待预测路段相邻空间的交通流数据的预测结果相比MAE和MAPE两个值上分别高出了0.257 3和0.999 1个百分点。

来源：2020年第5期

《计算机应用》期刊编辑部

查看计算机应用杂志2020年第5期