面向数据驱动的城市绕城高速收费站短时交通流预测

作     者：帅春燕 杨锰 高伦 邹辉 SHUAI Chunyan;YANG Meng;GAO Lun;ZOU Hui

作者机构：昆明理工大学交通工程学院昆明650500 天津市政工程设计研究总院有限公司云南设计研究院昆明650224 

基　　金：国家基金地区基金项目(62362044) 

出 版 物：《测绘科学》 (Science of Surveying and Mapping)

年 卷 期：2024年第49卷第2期

页      码：175-186页

摘      要：为了进一步提升城市绕城高速收费站交通流的预测精度,根据收费站交通流的特点,该文提出了一种基于变分模态分解(VMD),长短时记忆网络(LSTM)以及支持向量回归(SVR)的城市绕城高速收费站短时交通流量预测模型,并引入遗传算法对模型中的LSTM模块和SVR模块相应的输入参数进行优化。模型中的VMD模块将原始交通流量序列分解为具有不同频率的时间序列分量和随机分量。其中第一个主要分量和随机分量分别反映了原始交通流序列的整体日变化趋势、季节变化趋势和随机干扰信息,其他分量反映了具有不同频率周期的交通流变化规律。然后,引入LSTM和SVR模型分别对不同分量进行逐一预测,并将所有分量的预测值相应叠加从而得到原始交通流量序列的最终预测结果。基于贵阳市绕城高速收费站联网收费数据,选取贵阳北主线、金华主线、上麦、贵阳东、曹关、贵阳南、石板哨、秦棋等8个收费站进行了实例验证,发现相比于KNN、BP、SVR、LSTM和ARIMA模型,在同一参数组合下,VMD-LSTM-SVR模型的MAPE均值为11.30%,且MAE和RMSE均为最低,R~2和Accuracy均为最高。这表明,提出的VMD-LSTM-SVR模型不仅具有良好的预测性能,而且还具有良好的泛化性。

主 题 词：智能交通 收费站短时交通流量预测 变分模态分解 长短时记忆神经网络 支持向量回归 遗传算法 

学科分类：08[工学] 082303[082303] 0835[0835] 082302[082302] 081202[081202] 0823[工学-农业工程类] 0812[工学-测绘类] 

核心收录：

D　O　I：10.16251/j.cnki.1009-2307.2024.02.018

馆 藏 号：203128088...