基于正交参数优化的DFT-KNN-LSTM短时交通流预测

• 作 者: 李丹阳
• 出 处: 长安大学
• 发表日期: 2019年01期
• 关键词: 交通流预测 DFT KNN LSTM 正交试验

智能交通系统是全世界公认的提高道路安全、缓解交通拥堵、减少交通污染、缩短出行时间、提高路网通行效率的有效途径。实时、准确的短时交通流预测是智能交通系统的关键技术之一,也是交通流预测领域的研究重点,更是进行交通诱导和控制、出行路线规划等的基础,在高速公路路网的交通规划及优化管理中起着极为重要的作用。针对现有预测模型无法在海量交通大数据中提取交通流序列的内部规律,未能考虑交通流序列不同成分对预测性能影响的问题,本文在充分利用交通流序列时空相关性的基础上,提出了一种基于正交参数优化的DFT-KNN-LSTM短时交通流预测模型。首先,采用DFT将交通流数据分解为趋势项分量及残差项分量,去除趋势项分量对预测结果的影响;其次,采用基于距离加权的KNN算法筛选出与待预测目标检测站空间相关性最大的K个检测站,以筛选出的K个检测站的交通流构造时空相关数据集输入LSTM模型中进行短时交通流预测;并通过正交试验对LSTM模型的参数进行优化,以预测误差最小为目标函数确定最优的模型参数组合;最后,通过美国交通研究数据实验室提供的真实交通数据对本文提出的模型进行验证。通过真实的实验验证得出:(1)去除趋势项分量可提升模型的预测性能,设置最优频谱能量阈值时,去除趋势项后模型的平均预测误差减少28.64%;(2)基于距离加权的KNN空间相关性筛选可有效优化模型的数据集,充分利用了交通流数据的时空相关性;(3)采用正交试验进行参数优化后,模型的预测准确率ACC平均提升了4.09%,运行时间平均降低了77.18%;(4)本文提出的基于正交参数优化的DFT-KNN-LSTM模型预测性能优于其他模型,与现有的ARIMA、SVR、WNN、DBN-SVR及LSTM模型相比,其预测ACC平均分别提升了32.82%,7.96%,13.03%,6.64%,5.19%。