基于相关性分析的交通流预测研究

摘要

交通流预测是智能交通系统的重要组成部分，准确的交通流预测能够为出行路线提供有效的决策支持，从而缓解道路拥堵。交通流受到多种因素的影响，本文提出了一种基于多源数据相关性的交通流预测模型。该模型引入了历史交通流、车道占有率等因素，并采用斯皮尔曼相关性分析方法，对各因素与交通流的相关性进行量化分析，同时挖掘数据内部的时间相关性。基于此，利用长短期记忆(LSTM)网络进一步捕捉交通流的时间依赖关系。实验结果表明：本文提出的基于斯皮尔曼相关性分析和LSTM的交通流预测模型具有较高的预测能力，能够为出行决策和缓解拥堵提供有效支持。

关键词

交通流预测 / 斯皮尔曼 / 相关性分析 / 长短期记忆(LSTM)网络