单向和双向LSTM短期流量预测模型

文摘

介绍了开发和评估短期流量预测模型使用单向和双向深度学习长短期记忆(LSTM)神经网络。单向LSTM (Uni-LSTM)模型提供了高性能识别时间序列通过其能力的流量时间序列数据。在这项工作,Uni-LSTM扩展到双向LSTM (BiLSTM)网络训练输入数据通过向前或向后的方向的两倍。提出了两种模型的比较评估短期速度和交通流预测使用常见的野外观察收集了来自多个数据集高速公路在澳大利亚。结果显示BiLSTM变量预测表现更好的视野对速度和流。堆叠和混合Uni-LSTM和BiLSTM模型也是15分钟预测研究的视野导致改善精度在使用层BiLSTM网络。那时优化层BiLSTM模型校准和验证多个预测视野,使用的数据来自三个不同的高速公路。验证结果显示高度的预测精度超过90%加速到60分钟预测的视野。流的模型取得了5 - 10分钟的预测精度高于90%的视野和超过80%的准确率15 - 30分钟预测的视野。这些发现扩展组AI模型用于道路运营商和为他们提供信心应用健壮的模型已经被测试和评估在不同的高速公路在澳大利亚。

1。介绍

高速公路短期流量预测模型都经过了广泛的研究在文献[1- - - - - -8]。这些模型的浓厚兴趣,他们可以被用来为公路运营商提供预测智能工具来帮助他们优化高速公路运营和避免交通故障。这些模型开发了各种各样的理论背景,包括统计技术和基于神经网络的人工智能(AI)方法(9]。随着大数据和复杂的计算智能的发展,人工智能方法可以更准确地预测未来的交通比统计模型。特别是,深度学习网络可以表示交通动态行为和最近在时间序列建模取得了巨大的成功。最近的模型的一个例子是单向长短期记忆递归神经网络(Uni-LSTM)及其扩展双向长期短期记忆(BiLSTM)。先前的研究表明,Uni-LSTM模型有一个有效的预测在处理长期依赖从输入记得有用的信息已经通过使用“附加盖茨”纳入其体系结构(10- - - - - -12]。然而,在最近几年,双向LSTM (BiLSTM)模型研究提供了一个额外的培训能力作为输出层接收信息从过去(向后)和未来(向前)实例同时它提供了更好的预测精度13- - - - - -16]。在本文中,我们评估Uni-LSTM的性能和BiLSTM不同时间范围的使用速度和流场数据为多个高速公路在澳大利亚。主要的研究问题如下:(1)结果会提高如果训练速度和流数据从两个方向(前进方向和向后方向)?(2)如何添加层或混合LSTM和BiLSTM作为一个模型影响性能?(3)如果模型的训练和测试一个高速公路,它将达到一个好的精度,如果验证只在一个独立的数据集(没有再培训)从不同的高速公路吗?

本文旨在解决这些问题并演示使用先进的人工智能技术的可行性基于深度学习Uni-LSTM和BiLSTM多个预测模型预测速度和流的视野。它提供了一个比较性能分析Uni-LSTM和BiLSTM基于常见的实地测量数据集。模型开发利用历史数据从传感器嵌入在人行道上三高速公路在澳大利亚:太平洋高速公路在布里斯班和黄金海岸昆士兰Tullamarine高速公路在墨尔本,墨尔本东部和南部高速公路。本文还探讨了是否附加层的训练速度和流量的提高预测精度。据我们所知,有有限的未来交通预测,论文针对BiLSTM模型和本文展示了强劲性能Uni-LSTM模型的扩展。同时,本文验证开发模型的性能在不同的高速公路,使这项工作做出有价值的贡献知识的智能交通系统和网络运营领域。这提供了公路运营商和交通机构的信心,让他们可以应用这些模型在不同的高速公路,即使他们还没有开始了全面的历史数据收集工作目标高速公路。这也帮助他们减少部署的成本的这些算法避免了需要预处理新数据和校准和验证新模型是一项耗时的任务,需要大量资源和经验丰富、训练有素的AI员工和专家。

本文的组织结构如下:部分2提供了一个扫描的先前的研究工作。部分3介绍了方法包括数据采集和建模框架。部分4介绍了不同模型的比较评价的结果。部分5礼物堆的性能和混合Uni-LSTM和BiLSTM模型。部分6显示了模型验证的结果,最后一节7给出了结论和未来的研究方向。

2。文献综述

短期的预测和预测(未来1到60分钟)交通状况起着重要的作用在智能运输系统的成功(同期)如旅游信息系统,自适应交通管理系统、公共交通调度和商用车辆操作(17- - - - - -19]。由于广泛的关于这个主题的文献,文献扫描在这一节中我们将焦点集中在使用LSTM交通预测模型,采用现场交通检测器收集的数据归纳循环,中央电视台、探测车辆,和事件报告。全面审查的其他模型包括那些使用模拟数据可以发现在17]。越来越多的公路运营商更有信心在模型已经开发使用真实的数据,因此我们在这部作品关注模型开发和评估,使用的数据来自真实世界的环境。

方法用于流量和速度的预测可以分为两个主要参数和非参数方法(20.]。常用的参数方法的示例包括线性模型,如集成自回归移动平均模型(ARIMA) [21),季节性ARIMA,即。SARIMA模型(22],指数平滑模式[23],ARIMA与卡尔曼滤波器(KF) [24,25]。这些参数方法与动态交通模式表现不佳,这限制了他们的应用程序在复杂交通预测相比,非参数方法。非参数方法更能够预测随机模式的输入流量数据和更善于处理噪声数据。

最近机器学习的进步,很多模型显示一个有前途的潜在的解决非线性问题和处理长期的依赖关系。例子包括LSTM和BiLSTM模型。这些模型以前用来预测未来交通速度(10),旅行时间(18),和交通流量11]。在一项研究中,长期短期记忆(LSTM)结构未来速度预测和应用表明,它提供了更高的性能与经典方法相比(10]。另一项研究表明,使用LSTM模型是有前途的不规则的旅行时间预测模型的误差1-step-ahead预测误差相对较小(18]。其他研究已经表明,流预测使用LSTM实现高精度相比其他不同预测模型的视野11]。同时,LSTM模型已经开发在其他研究车辆模型预测在不同道路等级(加速和减速26]。

短期交通流使用LSTM也被调查了时间序列数据的依赖关系被充分考虑,实验结果显示,一个很好的性能误差5.4%与其他模型相比27]。在其他的研究中,一个端到端的深度学习模型预测未来交通流调查(28添加了一层BiLSTM),结果表明,模型能够解决随机流动特性和克服过度拟合问题[28]。同样,叠加BiLSTM和Uni-LSTM模型开发的另一项研究预测全网流量的速度。结果表明,多层架构优于BiLSTM和Uni-LSTM模型(29日]。

在另一项研究中,不同的模型均显示性能优越的城市交通预测当使用更深的BiLSTM层(30.]。其他研究人员也LSTM和RNN方法用于速度预测模型在各种城市驾驶条件下可靠和准确的结果(31日]。LSTM复发和封闭的单位(天鹤座)也适用于最近的研究来预测掘进速度的一般情况考虑交通需求的道路几何和演化。结果显示LSTM模型性能优于回归模型(32]。同样,优越的性能模型已被证明使用LSTM和格勒乌模型ARIMA和相比,支持向量回归(SVR)模型跟踪流预测(33]。

在其他的研究中,一个变分长短期记忆编码器检测预测交通流提供更好的预测相比其他传统方法(34]。同样,长期短期memory-genetic算法支持向量回归(LSTM-GASVR)据报道,短期交通流预测算法预测未来交通流量有更好的精度比LSTM格勒乌,卷积神经网络(cnn),堆放autoencoder (SAE), ARIMA和支持向量回归(SVR)模型进行相同的研究(35]。

此外,LSTM模型也被发达的交通流预测,旨在帮助运输决策当局在高峰时间交通堵塞预测模型以来记得信息比其他模型的时间更长36]。同时,LSTM模型的有效性验证在短时交通流量预测的研究和发现提供高预测精度对于流数据(37]。其他研究已经证实,性能优越,当ARIMA和长期短期记忆(LSTM)神经网络相结合的短期交通流预测(38]。在最近的另一个研究中,2型模糊LSTM (T2F-LSTM)为长期开发的交通量预测和提取流量的时空特征量和被发现达到较高的预测精度39]。

总之,大量的研究在文献中与健壮的LSTM解决短期流量预测模型。然而,只有很少有研究潜力的BiLSTM未来流量时间序列预测模型,考虑落后的时间依赖关系。这项工作的另一个重要贡献是堆叠的比较和混合BiLSTM LSTM层模型精度的提高。此外,论述了模型适用性当正在开发一个位置参数和验证只在不同的位置(没有再培训)。此外,模型是使用字段数据开发,由多样和复杂的交通特性(包括峰值,非高峰时间的工作日,周末,事件,和nonincident数据)。这项工作的另一个重要因素是数据用于模型开发已经有条不紊地筛选,预处理,在大量的先前的研究和验证(40,41]。

3所示。研究方法

本部分介绍了研究的方法包括数据收集、模型开发、评估测试和分析。

3.1。数据模型的发展

神经网络应用程序需要大量的数据需要模型开发(41,42]。数据通常分为训练数据集用于模型校准和测试数据集用于模型验证。模型的有效性测试是一个独立的数据集不用于训练模型,称为测试数据集。在这项研究中,数据用于模型开发包括收集的交通速度和流量测量传感器安装在高速公路在澳大利亚。数据收集许多年来和时间段包括峰值,非高峰时间的,工作日和周末的条件。数据的另一个独特的特征是,它们包括事件交通条件通常是很难捕获模型发展。此类事件,包括道路交通事故、车辆、和类似的不再发生的事件,通常导致高速公路的一个重要能力降低和持续时间长。包括在模型训练和验证这些数据提高了预测模型的可靠性。

3.1.1。数据集1:太平洋高速公路,昆士兰

这个数据集收集从一个部分之间的太平洋高速公路昆士兰州布里斯班和黄金海岸(40]。部分的长度约1.5公里。速度和流动数据聚集4检测台(S0-S3),包括电感回路传感器安装在大约500区间如图1。这些数据收集的5个小时峰值(2小时,3小时非高峰交通状况)。数据由正常的交通状况,不包括任何事件。共有1667个观察聚集。在这项研究中,数据被分成1000个观察训练数据集(总额的60%)和667试验观测数据集(总额的40%)。

3.1.2。数据集2:Tullamarine高速公路,墨尔本

这个数据集收集的部分Tullamarine高速公路在墨尔本如图2。去机场的高速公路连接城市和北部郊区,被认为是最繁忙的道路在墨尔本。数据由lane-by-lane回路检测器数据组成的速度、流和入住率测量在1分钟的周期41]。探测站450米和1070米之间的间距不等,平均间距约580的14个检测器。共有21123个观察聚集,在这项研究,他们被分成60%的培训(12674观察)和40%的测试(8449观察)。这个数据集是独一无二的,它由75事件发生在高速公路上交通状况下变量。虽然这些数据使它非常具有挑战性的能够预测未来条件(因为随机性的事件),他们是最有用的,因为他们允许预测算法训练在一个广泛的交通数据包括事件和nonincident条件。

3.1.3。数据集3:南东部高速公路,墨尔本

这个数据集收集的部分南高速公路在墨尔本东部如图3。速度和流量测量的数据是1分钟的周期,也从归纳收集循环嵌在了人行道上。共有3147个观察聚集。对于这项工作,数据被分成60%的培训(1888观察)和40%的测试(1259观察)。同样,这些数据包括共有25个事件将使预测算法训练在各种交通数据包括事件和nonincident条件。

来自墨尔本两条高速公路的数据也很重要,每天每个高速公路携带超过100000辆汽车。事件收集的数据从这些高速公路(100)有不同的特点,包括代表高速公路上的一系列事件。例如,四个事件导致阻塞一个车道的交通,19 77导致阻塞2道,导致阻塞三个车道。五的事件发生在低流量条件(低于700 vphpl), 58 heavy-flow条件(高于1550 vphpl)期间,和37在温和条件下流动。25的事件也发生在高峰交通状况。至于事件持续时间的分布,26事件持续了不到30分钟;32持续30至60分钟;30持续了60到90分钟;和12持续超过90分钟(41]。

样品的速度和流动数据如图三高速公路4和5,分别。这些数字代表的一小部分数据进行说明。图4显示速度模式在km / h峰5:30到8点之间。南东部的图表明,高速公路是最拥挤的高速公路速度低于20公里/小时其次是太平洋高速公路和Tullamarine公路。至于图5所示,流模式是veh / h从9点到12点。图显示每个高速公路的不同行为在同一时间之间的流动范围7和56三高速公路车辆每小时。综上所述,本研究中使用的真实数据集被认为是其中最多样化和代表现场交通数据集可用尤其是澳大利亚上下文。他们也是独一无二的,他们已经精心筛选,清洗,预处理,大量的研究和验证(15]。

3.2。建模框架

单向LSTM问题受到越来越多的重视,近年来因其性能优越而先进的复发性神经网络(RNNs)。尽管RNNs提供良好的准确性,发现了他们为长期记忆表现RNNs无法使用信息从遥远的过去。LSTM也可以学习模式长期依赖关系与传统RNNs相比,不能长期模式功能。因此,LSTM通常被发现比RNNs在时间序列数据预测43]。包含额外的数据训练导致了一些LSTM模型扩展,现在被称为双向LSTM (BiLSTM)。这个模型火车两次输入时间序列数据通过向前或向后的方向。这些模型的体系结构,提出了数据6和7。

在这些模型中,使用下面的公式来计算预测价值: 在哪里登机门是激活函数和 输入体重矩阵。

是复发性权重矩阵,是输入,在前面的时间(是输出t−1)。 是偏见向量。之前忘记门决定了有多少内存值应该从细胞中删除状态。类似地,输入门指定新的输入到细胞状态。然后,细胞状态C_t和输出H_tLSTM的时间t计算如下: ⊙表示阿达玛产品(element-wise向量的乘法)。

在这部作品中,单向和双向LSTM MATLAB R2020b网络中实现。首先,数据被安排为两列值:第一列对应于速度/流时间t和第二列对应于预期的输出(t+n),n从5分钟到60分钟不等。然后,数据被划分为训练集和测试集。模型训练的前60%的序列和测试最后40%。防止过度拟合模型,培训/测试数据被标准化的零均值方差和单元。LSTM网络使用四层:创建序列输入层(特征的数量= 1),Uni-LSTM / BiLSTM层(隐藏单位的数量= 300),完全连接层(反应的数量= 1),和一个回归层。模型hyperparameter设置展示在表1。多组hyperparameters进行测试,目的是找到合适的值的组合导致最好的准确性。表1显示了提供的参数最优结果。双曲正切和乙状结肠功能用于国家和门激活函数,分别。LSTM实验也在MATLAB中实现R2020b trainNetwork深度学习工具箱函数,训练选项,和predictAndUpdateState。

4所示。比较评价Uni-LSTM BiLSTM

第一组结果本文在速度和流在墨尔本Tullamarine高速公路(表的数据2在布里斯班(表)和太平洋高速公路3)。高速公路被分成60%的数据训练数据和测试数据的40%。平均绝对百分比误差(日军)是用来计算不同时间范围的模型预测的准确性。日军计算之间的平均绝对差的预测输出模型(Y1)和预期真实输出(Y):

速度的预测结果表明,BiLSTM和Uni-LSTM达到高预测结果在未来60分钟。BiLSTM优于Uni-LSTM精度高于92.6% Tullamarine高速公路60分钟。预测地平线60分钟,精度的改进在Uni-LSTM 7% 5分钟,10分钟6%,7% 15分钟,30分钟,13%,15%和16% 45到60分钟,分别。太平洋高速公路,BiLSTM优于Uni-LSTM 15分钟,然后Uni-LSTM礼物更好的结果60分钟;然而,60分钟的两个模型产生相似的结果预测地平线(例如,93.6%和92.7%,如表所示2。

太平洋高速公路,结果表明,BiLSTM优于Uni-LSTM长达45分钟的精度提高14% 5分钟;14% 10分钟;9%的15分钟;8% 30分钟;2%,45分钟。60分钟预测地平线,精度差异百分比Uni-LSTM和BiLSTM被发现报道在表最小(0.01%)3。在表中2和3表现最好,细胞中突出显示绿色表示模型,和细胞以黄色突出显示表示第二个表现最好的模型。

5。深和混合单向和双向LSTM

在本节中,结果为多个Uni-LSTM和BiLSTM层提高速度和流的结果。此外,结果结合LSTM和BiLSTM层都呈现为15分钟的地平线Tullamarine太平洋高速公路和高速公路。据我们所知,有限的出版物已经测试了深架构BiLSTM和混合模型的反向依赖交通速度和流量预测。

提供的结果表4和5表明深BiLSTM结合层优于Uni-LSTM和深度Uni-LSTM高速公路15分钟预测模型的视野。速度,3-BiLSTM层和4-BiLSTM层提供最佳的准确性98% Tullamarine高速公路,虽然LSTM层提供的最低精度约为94%。4层BiLSTM 15分钟预测模型比其他模型准确率达到了92.5%视野Tullamarine高速公路。同样,太平洋高速公路实验表明,层BiLSTM模型优于其他模型的准确性达99.99%,如表所示4和5。

数据8和9目前的速度和流结果15分钟的使用表现最好的4层BiLSTM模型预测地平线。这些数字比较目标或预期值与预测值(蓝色趋势线)从模型(橙色趋势线)。图8显示了性能优越的速度和流量预测模型精度98%和92.50%的15分钟预测视野Tullamarine高速公路。同样,图9显示了非凡的4层BiLSTM模型的预测性能在太平洋高速公路的预测精度为99.99% 15分钟预测速度和流的视野。

6。深BiLSTM模型验证和可转让性

本节提出了模型验证的结果和潜在的可转让性和其他高速公路不需要调整和再培训。如果这可以实现甚至不惜牺牲一个贬值的准确性,它可以提供公路运营商和交通机构的信心,让他们可以应用现有模型在不同的高速公路,即使他们还没有开始了全面的历史数据收集工作。这也帮助他们减少部署的成本的这些算法避免了需要预处理新数据和校准和验证新模型是一项耗时的任务,需要大量资源和经验丰富、训练有素的AI员工和专家。

模型验证实验设计如图10。学习从以前获得比较评估是用于开发健壮的速度和流量预测模型结合使用数据从两大数据集(Tullamarine和南高速公路在墨尔本东部)。中使用的数据模型开发包括24270观察和被分成两组:训练集由60%的数据(14562)观察和测试集包括40%的数据(9708观察)。验证数据集包括1667观察从第三高速公路(太平洋高速公路在布里斯班)。模型开发的结果提供了第一组列在表6(Tullamarine东部和南部高速公路)。在速度,模型精度5分钟预测视野范围从99.7%到91.8%的60分钟预测的视野。流,模型精度5分钟预测视野范围从99.6%到71.2%的60分钟预测的视野。模型被验证(没有再培训)第三独立数据集从太平洋高速公路在布里斯班。

验证结果显示在右边列的表6。速度模型的精度5分钟预测视野范围从99.7%到90.2%的60分钟预测的视野。对交通流模型的精度5分钟预测视野范围从97.2%到82.1% 30分钟预测的视野。性能会降低到79.19%,45分钟为73.45%,60分钟预测视野,如表所示6。这些发现也中描述的数据11- - - - - -16。

在数据11- - - - - -16趋势线,蓝色代表着目标实际数据相比,橙色的趋势线代表结果生成自模型。在图13,目标之间的区别和预测结果的速度和流量最小为日军两者之间的比例分别为0.27%和2.83%,分别。在图14,10分钟的速度结果预测的视野也证明日军低百分误差3.02%到9.26%的流动。正如预期的那样,它可以指出错误增加随着预测地平线的增加。在图1515分钟预测,日军百分比误差增加最小视野对速度增加(增加4.63%)相比,高误差流(17.49%)。30分钟的预测行为是观察的视野一样的错误在速度和流量增加到6.28%和17.91%,如图16。这些结果表明,该模型能够准确地验证速度到多个预测的视野。流预测结果也显示良好的精度高于80% 5,10,15日和30分钟到未来使用4层BiLSTM模型。

7所示。结论、贡献和未来的研究方向

摘要单向和双向LSTM网络开发预测速度和流对高速公路预测未来视野60分钟。模型评估基于历史现场收集的数据归纳环传感器的高速公路在澳大利亚。采用全面、严格的程序评估不同的体系结构和模型参数的适用性。结果表明双向单向LSTM相比的优越性能。交通流预测的结果也证明了挑战,比速度。这是一个嘈杂的自然流动的结果相比,测量速度观测。Tullamarine高速公路,BiLSTM模型能够实现速度预测未来60分钟的精度在90%以上。流预测,预测精度高于80% 45分钟视野,超越Uni-LSTM模型。太平洋高速公路,BiLSTM也优于Uni-LSTM对速度精度在88%以上和80%以上流到60分钟预测的视野。

这项研究还扩展了模型和评估他们的表现当添加多个Uni-LSTM和BiLSTM层或混合LSTM和BiLSTM 15分钟为一个模型预测的视野。实验表明,4层BiLSTM优于其他模型速度和流Tullamarine和太平洋高速公路数据集。这项工作的另一个贡献是检验模型验证和可转移性的潜力。评估进行的联合数据集Tullamarine东部和南部高速公路在墨尔本。这种方法使我们能够在一个庞大的数据集上训练模型有不同的模式和交通状况的变量,包括峰值,非高峰时间的工作日、周末,和事件数据。一旦优化,模型验证测试只在一个独立的数据集(没有再培训)从第三公路。验证结果显示速度预测精度从99.7% 5分钟预测视野为60分钟预测90.2%的视野。流验证预测精度低,介于74%和97%之间。虽然承认,更全面的测试是需要更大数量的高速公路上,这个贡献展示了潜力开发转移模型提供了足够的数据来表示更加多样化的从不同的世界各地的城市交通状况。

在这项研究未来的发展方向包括收集更多的实地数据从其他真实高速公路在不同城市在澳大利亚和海外如报道(44]。利用微观仿真生成边界情况数据难以衡量的领域还建议(45,46]。如本文所示,训练模型在不同的模式和可变交通状况使我们开发健壮的模型,可以很好地运行在一个独立的数据集。更多的数据用于训练和模型开发,预计的准确性将会改善。AI领域也见证未来快速发展和突破提供机会来测试新的架构,进一步提高模型的性能和精度。

数据可用性

确保透明度和允许其他人员审计和繁殖结果报道在这项研究中,可以发现这项工作中使用的字段数据https://bit.ly/2Ka0RiS。

的利益冲突

作者宣称没有利益冲突。

确认

第一作者要感谢她的伊拉克政府提供的博士奖学金和斯文本科技大学在墨尔本,澳大利亚。

引用

1. h . Dia d·哈尼和a·博伊尔,”司机的动力学在先进的旅行者信息系统下路径选择决策。”道路与交通研究,10卷,不。4,p。2001。视图:谷歌学术搜索
2. r·米尔阿卜杜勒贾巴尔和h . DIA,“预测情报:神经网络学习系统对高速公路交通状况预测和监控,“交通研究东亚社会杂志》上13卷,第1800 - 1785页,2019年。视图:出版商的网站|谷歌学术搜索
3. r·米尔阿卜杜勒贾巴尔和h . Dia深度学习的方法对高速公路车速和流量预测,”《澳大拉西亚的运输研究论坛(ATRF)第41位,2019年堪培拉,法案,澳大利亚,2019年10月。视图:谷歌学术搜索
4. k . Thomas h . Dia, n . Cottman”1月。使用神经网络模拟动脉事件检测,”程序的第八届世界大会2001年10月,悉尼,澳大利亚,。视图:谷歌学术搜索
5. 美国Nigarnjanagool h . Dia,“评价一个动态使用交通信号优化控制模型模拟,”IATSS研究卷,29号1,比如22 - 30,2005页。视图:出版商的网站|谷歌学术搜索
6. 托马斯k和h . Dia,”比较评价高速公路事件检测模型使用字段数据,”IEE Proceedings-Intelligent运输系统,卷153,不。3、230 - 241年,2006页。视图:谷歌学术搜索
7. y . j . Tang f . Liu邹,w·张,和y王,“一种改进的模糊神经网络交通速度预测考虑周期性特点,“IEEE智能交通系统,18卷,不。9日,第2350 - 2340页,2017年。视图:出版商的网站|谷歌学术搜索
8. j . Tang x, z,宗庆后,c .汉和l·李,“交通流预测基于支持向量机和数据去噪方案,“自然史答:统计力学及其应用文章ID 120642卷,534年,2019年。视图:出版商的网站|谷歌学术搜索
9. h . Dia, g .玫瑰,a·斯奈尔”比较高速公路自动事件检测算法的性能,”运输和物流研究所工作报告- wp - 96 - 15、悉尼大学、悉尼,澳大利亚,1996年,https://ses.library.usyd.edu.au/handle/2123/19426。视图:谷歌学术搜索
10. x, z, y . Wang h . Yu和y王,“长短期记忆神经网络交通速度预测使用远程微波传感器数据,”交通研究部分C:新兴技术54卷,第197 - 187页,2015年。视图:出版商的网站|谷歌学术搜索
11. z赵,w·陈,吴x, p . c . y . Chen和j·刘,“LSTM网络:一个深度学习方法短学期交通预测,“专业智能运输系统,11卷,不。2、68 - 75年,2017页。视图:出版商的网站|谷歌学术搜索
12. d·康、y Lv和y y . Chen”与LSTM复发性神经网络短期交通流预测,”学报2017年IEEE 20国际会议上智能交通系统(ITSC)IEEE,页1 - 6,2017年10月,日本横滨。视图:谷歌学术搜索
13. h . h .邹y . Wu张,y詹,“基于PCC-BiLSTM短期交通流预测,”《2020年国际会议上计算机工程与应用(ICCEA)IEEE,页489 - 493年,广州,中国,2020年3月。视图:谷歌学术搜索
14. f . j . Wang胡,l·李,“深双向长期短期交通流预测,短期记忆模型”神经信息处理程序国际会议施普林格,页306 - 316年,广州,中国,2017年11月。视图:谷歌学术搜索
15. t .太阳,c·杨,k .汉w·马和f·张,“双向时空网络流量预测与多源数据,”交通研究记录:《交通研究委员会,卷2674,不。8,78 - 89年,2020页。视图:出版商的网站|谷歌学术搜索
16. 美国Siami-Namini: Tavakoli和a . s . Namin”LSTM和BiLSTM预测时间序列的性能,”学报2019年IEEE国际会议上大数据(大数据)IEEE,页3285 - 3292年,洛杉矶,美国,2019年12月。视图:谷歌学术搜索
17. 美国Liyanage r·米尔阿卜杜勒贾巴尔h . Dia, s . a . Bagloee”人工智能在运输中的应用:概述,“可持续性,11卷,不。1,p。189年,2019。视图:出版商的网站|谷歌学术搜索
18. 段y、y Lv和f . y . Wang“与LSTM旅行时间预测神经网络”学报2016年IEEE 19国际会议上智能交通系统(ITSC)IEEE,页1053 - 1058年,里约热内卢,巴西,2016年11月。视图:谷歌学术搜索
19. g .歌曲,m .帅、k .谢和x妈,”路无线传感器网络的方法对城市交通状态监测、”学报2008年11日国际IEEE会议在智能交通系统中IEEE,页1195 - 1200年,北京,中国,2008年10月。视图:谷歌学术搜索
20. R·隆德“时间序列分析及其应用:R的例子,”美国统计协会杂志》上,卷102,不。479,1079年,页2007。视图:出版商的网站|谷歌学术搜索
21. m·g . Karlaftis和依Vlahogianni记忆属性和部分集成在运输时间序列,”交通研究部分C:新兴技术,17卷,不。4、444 - 453年,2009页。视图:谷歌学术搜索
22. g .褐、c . Colombaroni和n . Isaenko“短期速度预测利用大数据在大型城市道路网络,”交通研究部分C:新兴技术卷,73年,第201 - 183页,2016年。视图:谷歌学术搜索
23. c . Chen j .胡问:孟,y,“与ARIMA-GARCH短时交通流预测模型,”学报2011年IEEE智能车辆研讨会(IV)巴登巴登,页607 - 612年,德国,2011年6月。视图:谷歌学术搜索
24. j .郭w·黄和b·m·威廉姆斯,“自适应卡尔曼滤波方法对随机短期交通流量预测和量化不确定性,”交通研究部分C:新兴技术,43卷,50 - 64年,2014页。视图:谷歌学术搜索
25. m·里皮·m·贝尔蒂尼,p . Frasconi“短期交通流预测:时间序列分析和监督学习的实验比较,”IEEE智能交通系统,14卷,不。2、871 - 882年,2013页。视图:谷歌学术搜索
26. j·莫顿、t·a·惠勒和m . j . Kochenderfer“复发性神经网络概率建模分析司机的行为,”IEEE智能交通系统,18卷,不。5,1289 - 1298年,2016页。视图:谷歌学术搜索
27. h .邵和b . h .宋子文与长期短期记忆网络交通流预测(LSTMs)”学报2016年IEEE 10地区会议(TENCON)IEEE,页2986 - 2989年,新加坡,2016年11月。视图:谷歌学术搜索
28. 问:Zhaowei,海涛,l . l . Zhihui z道,“短期交通流预测方法与MB-LSTM混合网络,”IEEE智能交通系统,1 - 11,2020页。视图:谷歌学术搜索
29. 崔z . r .柯z, Pu, y,“深双向和单向LSTM全网流量速度递归神经网络预测,”2018年,https://arxiv.org/abs/1801.02143。视图:谷歌学术搜索
30. j . m . Lu彭日成,j·李,“DeepBSTN:深双向网络模型对城市交通预测,”学报2019年第五届国际会议上大数据计算和通信(BIGCOM),页1 - 6、IEEE、青岛,中国,2019年8月。视图:谷歌学术搜索
31. k . Yeon k . Min m . Sunwoo j . Shin和m .汉”Ego-vehicle速度预测使用基于长期短期记忆的递归神经网络,”国际汽车技术杂志》上,20卷,不。4、713 - 722年,2019页。视图:谷歌学术搜索
32. 陈y, y, b . Yu”速度分布预测货运车辆在山区高速公路使用深度学习方法,“《先进的交通工具ID 8953182条,卷。2020年,14页,2020。视图:出版商的网站|谷歌学术搜索
33. t·h·w . Wang Zhang et al .,“一个可说明的模型对短期交通流预测,“数学和计算机模拟卷,171年,第278 - 264页,2020年。视图:出版商的网站|谷歌学术搜索
34. m . Farahani m . Farahani m . Manthouri, o . Kaynak“短期交通流预测使用变分LSTM网络,”2020年,https://arxiv.org/abs/2002.07922。视图:谷歌学术搜索
35. 程j .周h . Chang x, x赵,“多尺度和高精度LSTM-GASVR短期交通流预测模型,”复杂性ID 1434080条,卷。2020年,17页,2020。视图:出版商的网站|谷歌学术搜索
36. p . Poonia v . k . Jain,“短期交通流预测:使用LSTM”学报2020年新兴的趋势在国际会议上沟通,控制和计算(ICONC3),页1 - 4、IEEE Sikar,印度,2020年2月。视图:谷歌学术搜索
37. c·康和z张LSTM在短期交通流预测中的应用”学报2020年IEEE 5智能交通工程国际会议(ICITE),第101 - 98页,北京,中国,2020年9月。视图:谷歌学术搜索
38. 美国陆、问:张先生,g . Chen和d,“组合方法基于递归神经网络短期交通流预测,“亚历山大工程杂志,60卷,不。1,第84 - 87页,2020。视图:出版商的网站|谷歌学术搜索
39. r·李y胡,梁问:“T2F-LSTM长期交通量预测的方法。”IEEE模糊系统,28卷,不。12日,2020年。视图:出版商的网站|谷歌学术搜索
40. h . Dia,“面向对象的神经网络短期流量预测方法,”欧洲运筹学杂志》上,卷131,不。2、253 - 261年,2001页。视图:出版商的网站|谷歌学术搜索
41. h . Dia, g .站起来,“开发和评价的神经网络高速公路事件检测模型使用字段数据,”交通研究部分C:新兴技术,5卷,不。5,313 - 331年,1997页。视图:出版商的网站|谷歌学术搜索
42. 然而和c d·t·d .然而,发现知识的数据:介绍数据挖掘约翰威利& Sons,卷。4日,霍博肯,新泽西,美国,2014年。
43. k . Yeon k . Min m . Sunwoo j . Shin和m .汉”Ego-vehicle速度预测使用基于长期短期记忆的递归神经网络,”国际汽车技术杂志》上,20卷,不。4、713 - 722年,2019页。视图:出版商的网站|谷歌学术搜索
44. c . Sutandi和h . Dia,“绩效评估在一个发展中国家,一个先进的交通控制系统”学报第六届东方会议5卷,第1584 - 1572页,曼谷,泰国,2005年9月。视图:谷歌学术搜索
45. 美国Panwai h . Dia,“开发和评估一个被动的基于代理的汽车模型后,”智能车辆和道路基础设施研讨会论文集(IVRI ' 05),墨尔本,澳大利亚,2005年2月。视图:谷歌学术搜索
46. k . Thomas h . Dia, n . Cottman”使用神经网络模拟动脉事件检测,”《第八届世界大会在智能交通系统中,悉尼,澳大利亚,2001年。视图:谷歌学术搜索

版权

版权©2021 Rusul l·米尔阿卜杜勒贾巴尔et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。