莆田网站建设哪里便宜,网站换一个图片怎么做,9免费建网站,专做水果的社区网站效果一览 基本介绍 提出一种同时考虑时间与空间因素的卷积#xff0d;双向长短期记忆#xff08; CNN-BiLSTM#xff09;模型#xff0c;将具有空间局部特征提取能力的卷积神经网络#xff08;CNN#xff09;和具有能同时考虑前后方向长时间信息的双向长短期记忆#xf…效果一览 基本介绍
提出一种同时考虑时间与空间因素的卷积双向长短期记忆 CNN-BiLSTM模型将具有空间局部特征提取能力的卷积神经网络CNN和具有能同时考虑前后方向长时间信息的双向长短期记忆BiLSTM相结合将其用于预测更能体现随时空变化不断波动的交通流量。 研究回顾 目前已有大量关于交通流量预测的研究成果早期的方法有传统线性预测法线性预测方法简单易操作但不能很好地反映不规律的交通流状态为适应不断波动的交通流又出现了传统非线性预测方法。后随着计算机技术的发展以及人们对准确实时交通的掌握出现了现代智能预测方法如基于机器学习和深度学习的预测方法。由于单个方法会出现或多或少的缺陷近些年出现了组合预测方法该方法是将不同预测方法组合弥补单个预测方法的缺点以达到更好的预测效果。 估算了无法获得交通数据的交通网络中所有路段的交通流量但只能预测后短时交通流。 将时间序列分析问题转化为图像分析任务提出的模型具有预测路网不完整流量数据的能力但这些深层网络具有复杂的架构且可解释性较弱。 分层时间记忆具有作为短期交通流量预测的有效工具潜力其效果与 LSTM 相当且在交通流量分布发生变化时得到改善但不能很好地从模型输出中检测异常流量并将其用于推断异常事件的存在。 C 将机器学习算法与统计模型相继连接通过 ARIMA 分析对其进行后处理从而显著提高预测的准确性局限性在于机器学习算法只考虑了最简单的传统神经网络。 等将神经网络和模糊逻辑的互补功能相结合在短期交通流量预测上取得了令人满意的成绩。 等提出了一种基于 SAE 模型提取交通流抽象和潜在特征的方法但当交通流量较小时观察流量与预测流量之间的微小差异会导致较大的相对误差。
模型结构
该模型由输入层、CNN 层、BiLSTM 层、全连接层和输出层组成CNN 层由卷积层和最大池化层堆叠组成BiLSTM 层由一层 BiLSTM 堆叠成分别在 CNN 层和 BiLSTM 层的末尾加上 ropout 层随机丢弃节点以防止过拟合。 LSTM 模型解决了循环神经网络 RNN 的长期依赖问题独特的“门”结构能够避免梯度爆炸和梯度消失且具有长时记忆能力强的优点。BiLSTM 在具备 LSTM 优势的同时还能在时间维度上考虑前向和后向的双向时间序列信息预测更加全面准确。CNN 适合提取局部空间特征BiLSTM 兼顾双向时间序列信息结合可以从时空特性上更周全地分析交通流量数据使预测结果的拟合度更高。 学习总结
针对交通流量序列存在的时空相关性等特征文中提出了一种结合 CNN 与 BiLSTM 各自优点的 CNN-BiLSTM 模型。CNN-BiLSTM 模型通过 CNN 和 LSTM 分别提取空间和时间特征通过实例验证分析表明相比于其他基准模型文中的模型能够较好地适应不断波动的交通流量数据早高峰和晚高峰预测的稳定性和精度均较高。
