-
题名基于多核自适应网络的高速公路交通流预测方法
被引量：4
- 1
-
-
作者
习金浩
孟峰
朱凤华
贺正冰
李润梅
吕宜生
-
机构
中国科学院大学人工智能学院
中国科学院自动化研究所复杂系统管理与控制国家重点实验室
国家能源集团大雁集团(神宝能源)
北京工业大学交通工程北京重点实验室
北京交通大学电子信息工程学院
-
出处
《交通运输研究》
2021年第4期1-9,共9页
-
基金
国家自然科学基金面上项目(71871010)
广东省基础与应用基础研究基金项目(2019B1515120030)。
-
文摘
针对高速公路各路段交通流信息差异较大这一现象,为提高交通流预测准确率,将注意力机制引入卷积神经网络,建立描述交通流时空关联特征的多核自适应网络(Multi-Kernel Adaptive Network,MKAN)。首先对输入的历史交通流数据进行多分支卷积,获得不同尺度的交通流特征;然后根据输入信息自适应调整各卷积分支权重并对各分支多通道特征图进行加权融合;最后根据融合特征图,利用多层感知机预测下一时段交通流。基于加州交通运输部性能测试系统中的高速公路交通流数据设计实验进行模型验证和对比分析。实验结果表明,在大多数站点,MKAN模型的预测均方根误差和平均绝对误差低于长短期记忆网络、门控循环单元、K近邻算法和支持向量回归模型,对140号站点进行全天交通流预测,在1d内的各时段,MKAN模型预测绝对误差均小于其他对比模型;相比于单核卷积神经网络,在绝大多数站点,MKAN模型预测结果的均方根误差和平均绝对误差降低7%以上,对31号站点进行全天交通流预测,在1d内的大多数时段,MKAN模型预测绝对误差小于其他单核卷积神经网络。实验证明,多核自适应网络可有效提高交通流预测准确率,其预测效果优于部分传统预测模型和单核卷积神经网络。
-
关键词
城市交通
交通流预测
多核自适应网络
高速公路交通流
深度学习
-
Keywords
urban traffic
traffic flow prediction
multi-kernel adaptive network(MKAN)
highway traffic flow
deep learning
-
分类号
U491.14
[交通运输工程—交通运输规划与管理]
-
