期刊文献+
共找到1篇文章
< 1 >
每页显示 20 50 100
基于两级分解和GRU-AT网络的短时交通流预测模型 被引量:3
1
作者 庞稀廉 龙科军 《科学技术与工程》 北大核心 2022年第35期15792-15801,共10页
为提升城市道路短时交通流预测准确性,提出了一种基于小波分解(wavelet decomposition,WD)、变分模态分解(variational mode decomposition,VMD)和融合注意力机制(attention,AT)的门控循环单元(gated recurrent units,GRU)网络的短时交... 为提升城市道路短时交通流预测准确性,提出了一种基于小波分解(wavelet decomposition,WD)、变分模态分解(variational mode decomposition,VMD)和融合注意力机制(attention,AT)的门控循环单元(gated recurrent units,GRU)网络的短时交通流预测模型。首先采用WD算法将原始交通流数据分解重构成低频分量和高频分量;然后将各高频分量累加,利用VMD算法将其分解为多个本征模态函数(intrinsic mode functions,IMF)分量;最后通过建立GRU-AT模型,提高模型对交通流重要特征信息提取的能力,分别预测算法分解后的交通流分量,将各个分量预测的最优结果进行聚合后获得最终的交通流预测结果。以国内外道路交通流数据为基础进行实例验证,结果表明,WD+VMD+GRU-AT模型的均方误差的平方根、平均绝对误差均小于长短时记忆(long short-term memory,LSTM)网络模型、GRU、WD+GRU、WD+VMD+GRU,提高了短时交通流预测结果的准确度和稳定性。 展开更多
关键词 短时交通流预测 小波分解 变分模态分解 门控循环单元网络
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部