基于循环神经网络模型的小时交通量与年平均日交通量预测的开发和评估

给定道路高分辨率小时交通量的预测对于交通规划至关重要。传统上，自动交通记录仪（ATR）用于收集该小时交通量数据。这些大型数据集是时间序列数据，具有长期时间依赖性和缺失值特征。关于时间依赖性，所有道路均以季节性变化为特征，根据变化原因可为每周、每月或每年。关于时间序列中的缺失数据，传统时间序列预测模型在季节性变化影响下表现不佳。为解决此局限，本研究开发了基于鲁棒循环神经网络（RNN）的多步超前时间序列预测模型。使用简单RNN、门控循环单元（GRU）和长短期记忆（LSTM）单元来开发模型并评估其性能。采用两种方法来解决缺失值问题：掩蔽和插补，并与RNN模型结合使用。然后使用六种不同插补算法来确定最佳模型。分析表明，LSTM模型优于简单RNN和GRU模型，且插补在预测未来交通量方面优于掩蔽。基于92个ATR的分析，LSTM-Median模型在小时交通量和年平均日交通量（AADT）预测的所有情景中被视为最佳模型，小时交通量预测的平均RMSE为274、MAPE为18.91%，AADT预测的平均RMSE为824、MAPE为2.10%。