摘要:
交通流序列多为单步预测。为实现交通流序列的多步预测，提出一种基于编码器解码器（encoder-decoder， ED）框架的长短期记忆网络（long short-term memory， LSTM）模型，即ED LSTM模型。将自回归滑动平均、支持向量回归机、XGBOOST、循环神经网络、卷积神经网络、LSTM作为对照组进行实验验证。实验结果表明，当预测时间步长增加时，ED框架能够减缓模型性能的下降趋势，LSTM能够充分挖掘时间序列中的非线性关系。除此之外，在单变量输入的情况下，在PEMS-04数据集上，当预测时间步长为t+1到t+12的12个时间步时，ED LSTM模型的均方根误差（root mean squard error，RMSE）及平均绝对误差（mean absolute error，MAE）分别下降0.210~5.422、0.061~0.191。相较于单因素输入，多因素输入的ED LSTM模型在12个预测时间步长下，RMSE、MAE分别下降0.840、0.136。实验证明了ED LSTM模型能够有效地用于交通流序列的多步及单因素、多因素预测任务。
