从交通数据分解和时空特征提取的角度出发,提出建立基于交通数据分解和时空特征提取(Traffic Data Decomposition and Spatio-Temporal Feature Extraction, TDD + STFE)的预测模型对城市道路交叉口车辆平均车速进行预测。模型首先借助F...从交通数据分解和时空特征提取的角度出发,提出建立基于交通数据分解和时空特征提取(Traffic Data Decomposition and Spatio-Temporal Feature Extraction, TDD + STFE)的预测模型对城市道路交叉口车辆平均车速进行预测。模型首先借助Fourier变换将交通数据中的线性部分即周期项转换为Fourier级数的形式,再用原始数据减去线性部分得到非线性部分。继而借助卷积神经网络–门控循环单元(Convolutional Neural Network-Gated Recurrent Unit, CNN-GRU)模型提取交通数据非线性部分的时空特征,最后将两部分的预测值相加即为最终预测值。通过实际交通数据验证,表明本文所提车辆平均车速预测方法同时具备实用性和有效性,对交通运行状态的评估和预警具有一定的指导意义。展开更多
文摘从交通数据分解和时空特征提取的角度出发,提出建立基于交通数据分解和时空特征提取(Traffic Data Decomposition and Spatio-Temporal Feature Extraction, TDD + STFE)的预测模型对城市道路交叉口车辆平均车速进行预测。模型首先借助Fourier变换将交通数据中的线性部分即周期项转换为Fourier级数的形式,再用原始数据减去线性部分得到非线性部分。继而借助卷积神经网络–门控循环单元(Convolutional Neural Network-Gated Recurrent Unit, CNN-GRU)模型提取交通数据非线性部分的时空特征,最后将两部分的预测值相加即为最终预测值。通过实际交通数据验证,表明本文所提车辆平均车速预测方法同时具备实用性和有效性,对交通运行状态的评估和预警具有一定的指导意义。
