计算机科学>机器学习
标题: 农村公路多变量交通状态预测的关注-LSTM
摘要: 准确的交通量和速度预测在交通运输中有着广泛的应用。 它可以为旅行者和运输决策者提供有用和及时的信息。 在本研究中,提出了一种基于注意力的长分类记忆模型(A-LSTM),用于同时预测连接德黑兰和伊朗最具旅游目的地城市查卢斯的关键农村道路路段的交通量和速度。 此外,本研究还比较了A-LSTM模型和长短期记忆(LSTM)模型的结果。 这两种模型在预测速度和流量方面都表现出可接受的性能。 然而,A-LSTM模型在5分钟和15分钟的时间间隔内表现优于LSTM。 相反,在30分钟的时间间隔内,两种模型之间没有显著差异。 通过比较基于不同时间范围的模型的性能,15分钟时间范围模型的性能优于其他模型,其均方误差(MSE)损失最低,为0.0032,其次是30分钟和5分钟时间范围,分别为0.004和0.0051。 此外,本研究在15分钟的时间间隔内,比较了基于两种时间类别输入变量转换的模型结果,一种是热输入变量转换,另一种是循环输入变量转换。 结果表明,循环特征编码的LSTM和A-LSTM均优于单热点特征编码。