深度学习——day42：基于M-B-LSTM混合网络的短期交通流预测方法

资源下载

点击下载

chap1 INTRODUCTON

A

卡尔曼滤波[3]：Adaptive Kalman filter approach for stochastic short-term traffic flow rate prediction and uncertainty quantification
(stochasticity and distribution imbalance)随机性和分布不平衡是交通流量的共同特征。
通过积分参数优化和自学习方法，构建了一种新的端到端混合深度学习网络模型M-B-LSTM，

Contributions

1)建立了端到端深度网络模型M-B-LSTM，以解决了深度网络学习和预测流量随机性和分布不平衡过程中的不确定性和过拟合问题。
2)实现了一种在线自学习概率分布映射网络，自动生成和均衡交通流量历史分布，提高了数据识别能力，减少了网络学习中的过拟合问题。
3)将DBLSTM集成到M-B-LSTM网络中,减少了深度网络学习和预测交通流随机性的不确定性。
4)本文对现有的交通流量预测算法进行了比较实验，比较结果为研究提供了全面的参考。

chap3 M-B-LSTM

M-B-LSTM网络体系结构包括数据映射层、随机性减少层和预测层。在数据映射层中，构建了一个在线自学习数据分布网络。

A. Data Mapping Layer

图4所示的概率分布映射网络，在网络训练过程中自动获得参数和f (x)，映射变换为式(2)：

映射参数生成器：

映射参数生成器单元：

原始/已处理后的时间序列的交通流量和交通流量统计分布：

B. Stochasticity Reducing Layer

图8，将DBLSTM作为随机还原层引入M-B-LSTM模型

C. Forecasting Layer

图9，在M-B-LSTM网络中引入LSTM作为预测交通流量的预测层

D. Network Training

M-B-LSTM训练算法被设计为训练-测试-微调的组合

chap4 EXPERIMENTS

平均绝对误差（MAE）、平均相对误差（MRE）和均方根误差（RMSE）作为评价指标
dataset：Changchun dataset and I90 dataset

D. Comparison Experiments and Discussion

图14,对所提方法的预测结果和预测值进行了比较，以验证两个数据集的预测精度，M-B-LSTM网络具有更好的预测结果，且预测值与观测值相似

TABLE IV ，深度学习算法在利用更深层次的交通流信息方面优于表面学习算法

TABLE V，Fig. 15，将M-B-LSTM混合网络与MAP-LSTM网络等进行了比较，
M-B-LSTM混合网络与现有方法相比具有优越的性能，在解决交通流的随机性和分布不平衡问题方面具有良好的能力。
TABLE VI，进一步说明M-B-LSTM在不同流量动态顺序下的鲁棒性。综合结果表明，M-B-LSTM在不同交通状态和位置下具有良好的鲁棒性和稳定性，能够满足**ITS（Intelligent Transport System，智能运输系统)**准确稳定预测的需要。