基于深度学习的短时交通流预测模型

交通流预测在智能交通领域有着重要的现实意义.由于交通流数据受多种因素影响,平稳性差、随机性强,呈现出高度非线性的特征,使得交通流预测极为困难.针对短时交通流预测准确性的要求,本文提出一种基于互补集成经验模态分解(Complete Ensemble Empirical Mode Decomposition,CEEMD),并结合卷积神经网络(Convolutional Neural Networks,CNN)和长短期记忆网络(Long Short-Term Memory,LSTM)的短时交通流预测方法.模型通过CEEMD信号分解减少噪声对交通流数据预测的影响,采用CNN、LSTM充分挖掘数据的时空特征,使得模型做出更加准确的判断,从而提高神经网络的学习效率.在真实交通流数据上进行实验验证,结果表明,本文提出的模型可以有效提高交通流预测的准确性.