基于深度学习的车路协同环境下交通流预测算法研究

摘要

在车路协同（V2X）环境下，本研究围绕多源交通数据的高效融合与深度预测建模展开系统研究。首先，提出了一种多尺度时空注意力机制特征提取方法，并利用改进的多源特征构建策略实现输入向量表示。然后，设计基于长短期记忆（LSTM）网络的预测模型，实现对动态时序数据的精准建模与趋势预测。最后，基于下一代仿真（NGSIM）真实交通流数据集构建实验系统，设计对比实验验证模型性能。实验结果表明，本文方法在决定系数（R²）指标上取得了与理论预期一致的效果，验证了本文方法在模型收敛性和预测稳定性方面的有效性。

关键词

交通流预测 / 车路协同(V2X) / 数据融合 / 循环神经网络 / 智能交通系统