基于CNN-ResNet-LSTM模型的城市短时交通流量预测算法

蒲悦逸¹, 王文涵¹, 朱强¹, 陈朋朋^1,2

1. 中国矿业大学 计算机科学与技术学院, 徐州 221116;
2. 中国矿业大学 矿山数字化教育部工程研究中心, 徐州 221116

收稿日期:2019-11-26发布日期:2021-03-11
通讯作者:陈朋朋(1983-),男,教授,E-mail:chenp@cumt.edu.cn.E-mail:chenp@cumt.edu.cn
作者简介:蒲悦逸(1994-),男,硕士生.
基金资助:徐州市科技计划项目（KC18061）；国家自然科学基金项目（51674255）

Urban Short-Term Traffic Flow Prediction Algorithm Based on CNN-ResNet-LSTM Model

PU Yue-yi¹, WANG Wen-han¹, ZHU Qiang¹, CHEN Peng-peng^1,2

1. School of Computer Science and Technology, China University of Mining and Technology, Xuzhou 221116, China;
2. Mine Digitization Engineering Research Center of the Ministry of Education, China University of Mining and Technology, Xuzhou 221116, China

Received:2019-11-26Published:2021-03-11

摘要/Abstract

摘要： 针对交通流量特性和外部因素对交通流量预测结果的影响，提出了一种对城市短时交通流量预测的模型CNN-ResNet-LSTM，将卷积神经网络（CNN）、残差神经单元（ResNet）和长短期记忆循环神经网络（LSTM）集成到一个端到端的网络框架.利用卷积神经网络来捕获城市区域间交通流量的局部空间特征，并在卷积神经网络中加入多个残差神经单元来加深网络深度，可提高预测的准确性；利用长短期记忆循环神经网络来捕获交通流量数据的时间特征；利用相应的权重将2个网络的输出结果融合，得到通过轨迹数据预测的结果；最后与外部因素融合，得到城市区域的交通流量预测值.用北京市轨迹交通数据对该模型进行验证，CNN-ResNet-LSTM模型不仅在准确率方面比传统模型高，而且在保证预测准确率的情况下，模型使用的参数也少.
中图分类号:
TP18

引用本文

蒲悦逸, 王文涵, 朱强, 陈朋朋. 基于CNN-ResNet-LSTM模型的城市短时交通流量预测算法[J]. 北京邮电大学学报, 2020, 43(5): 9-14.
PU Yue-yi, WANG Wen-han, ZHU Qiang, CHEN Peng-peng. Urban Short-Term Traffic Flow Prediction Algorithm Based on CNN-ResNet-LSTM Model[J]. Journal of Beijing University of Posts and Telecommunications, 2020, 43(5): 9-14.





PDF全文下载地址:

https://journal.bupt.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4758