针对车辆速度的非线性、不稳定性时空变化特征,及传统机器学习算法中超参数的设置对预测精度的影响,提出一种基于人工大猩猩群优化(GTO)的长短期记忆网络(long short term memory,LSTM)速度预测模型(GTO-LSTM).以南京市卡子门立交桥交...针对车辆速度的非线性、不稳定性时空变化特征,及传统机器学习算法中超参数的设置对预测精度的影响,提出一种基于人工大猩猩群优化(GTO)的长短期记忆网络(long short term memory,LSTM)速度预测模型(GTO-LSTM).以南京市卡子门立交桥交织区车辆速度数据为例进行验证,结果表明:不论是总体预测还是分时域预测,GTO-LSTM均优于传统的LSTM模型,在误差指标MSE、STD、NRMSE方面,GTO-LSTM速度预测模型基本小于0.01、0.05、0.005,拟合指标R 2达96%以上.此外,当预测时域增加时,GTO-LSTM速度预测模型能有效解决因时域增加所引起的模型预测误差迅速累积的问题,并进一步降低预测误差,实现更为准确而稳定的短时交通速度预测.展开更多
文摘针对车辆速度的非线性、不稳定性时空变化特征,及传统机器学习算法中超参数的设置对预测精度的影响,提出一种基于人工大猩猩群优化(GTO)的长短期记忆网络(long short term memory,LSTM)速度预测模型(GTO-LSTM).以南京市卡子门立交桥交织区车辆速度数据为例进行验证,结果表明:不论是总体预测还是分时域预测,GTO-LSTM均优于传统的LSTM模型,在误差指标MSE、STD、NRMSE方面,GTO-LSTM速度预测模型基本小于0.01、0.05、0.005,拟合指标R 2达96%以上.此外,当预测时域增加时,GTO-LSTM速度预测模型能有效解决因时域增加所引起的模型预测误差迅速累积的问题,并进一步降低预测误差,实现更为准确而稳定的短时交通速度预测.
