基于深度学习的高速公路行程时间预测方法

摘要

为实现针对高速公路站间行程时间的准确预测，采集某高速公路收费站实际收费数据，分类和集成不同路段通行数据，对其进行移动平滑滤波处理；引入观测值更新网络状态，构建基于网络状态实时更新的行程时间预测模型；分别进行单日行程时间、多日行程时间、不同路段行程时间预测，并分析模型的预测性能及适用性。结果表明，相较于基础长短期记忆网络（Long Short-Term Memory, LSTM）模型，基于网络状态实时更新的行程时间预测模型的整体预测精度大幅度提升，均方根误差为1.227 8,小于基于LSTM的行程时间预测模型的均方根误差（9.107 9）;基于网络状态实时更新的行程时间预测模型在少量训练数据和大量训练数据环境下均表现出较高的预测精度，均方根误差<10.000 0、拟合优度R²与回归曲线斜率接近1.000 0;基于网络状态实时更新的行程时间预测模型具有较好的泛化能力，能较真实地反映实际行程时间的变化趋势。

关键词

交通工程 / 高速公路 / 行程时间预测 / 收费数据 / 深度学习 / 长短期记忆网络(LSTM)