基于GWO-LSTM模型的道路交通事故量预测

作     者：孔维麟 李文栋 杨立柱 张鲁玉 王庆斌 KONG Weilin;LI Wendong;YANG Lizhu;ZHANG Luyu;WANG Qingbin

作者机构：山东建筑大学交通工程学院山东济南250101 中国市政工程西北设计研究院有限公司甘肃兰州730030 云南省设计院集团有限公司云南昆明650118 

基　　金：交通运输部交通运输行业重点科技项目(2021-ZD2-047) 山东省交通运输科技计划项目(2021B49) 山东省高等学校青创科技支持计划项目(2021KJ058) 

出 版 物：《山东交通学院学报》 (Journal of Shandong Jiaotong University)

年 卷 期：2023年第31卷第4期

页      码：60-67页

摘      要：为降低道路交通事故率,减少事故损失,采用全局遍历性和收敛性较强的自适应学习策略灰狼优化(grey wolf optimizer,GWO)算法,对长短期记忆(long short term memory,LSTM)神经网络中的初始学习率、隐藏层节点数、正则化系数等参数进行优化训练,构建GWO-LSTM道路交通事故量预测模型。以2000—2019年美国道路交通致死事故数据为样本数据,分别采用月粒度、周粒度、时粒度划分交通事故数据,对比分析GWO-LSTM模型、自回归移动平均(autoregressive moving average,ARMA)模型、反向传播(back propagation,BP)神经网络和LSTM神经网络的道路交通事故预测结果。结果表明:在3种时间粒度下,GWO-LSTM模型预测结果的平均绝对百分比误差和均方根误差均最小,预测准确度较高,可用于道路交通事故量预测中。

主 题 词：交通事故 LSTM神经网络 GWO算法 时间粒度 

学科分类：03[法学] 08[工学] 0838[0838] 0306[法学-公安学类] 

D　O　I：10.3969/j.issn.1672-0032.2023.04.008

馆 藏 号：203125180...