面向动态交通分配的交通需求深度学习预测方法

为满足动态交通分配对高精度、高时效性交通需求的要求，本文建立了一种交通需求深度学习预测方法。根据动态交通分配要求确定交通需求数据的时间间隔，构建对复杂交通需求预测性能较优的长短期记忆神经网络预测方法；针对动态交通分配中交通需求的周期性、随机性和非线性等特征，为减少数据噪声的干扰，引入局部加权回归周期趋势分解方法将交通需求数据分解，将其中的趋势分量和余项分量作为深度学习预测方法的输入量，周期分量采用周期估计进行预测；选用具有随机寻优能力强、寻优效率高等特点的布谷鸟寻优算法优化预测方法的隐藏层单元数量、学习速率和训练迭代次数等核心参数。应用西安市长安区的卡口车牌数据验证该方法。结果表明：本文模型的预测结果在高峰及平峰各连续4个时段内相比于自回归滑动平均模型、长短期记忆神经网络模型、支持向量回归模型，平均绝对误差降低了10.55%～19.80%，均方根误差降低了11.20%～17.99%，决定系数提升了8.62%～12.48%；相比遗传算法、粒子群算法优化的模型，平均绝对误差降低了7.36%～13.81%，均方根误差降低了4.23%～10.67%，决定系数提升了3.50%～7.01%，且本文...