基于LSTM神经网络的可协调感应式交通信号切换时间预测

车辆在交通信号处的加速和减速操作导致了显著的燃料与能源消耗。绿灯最优速度 advisory 系统需要可靠的信号切换时间估计以改善车辆燃油效率。对于感应式信号而言，由于每个绿灯指示的时长会随交通状况变化而调整，获取这些估计值十分困难。本研究详述了一种基于长短期记忆（LSTM）深度学习的四步方法论，可用于在绿转红及反之方向上提供合理的切换时间估计，同时对缺失数据具有鲁棒性。这四个步骤为数据收集、数据准备、机器学习模型调优以及模型测试与评估。模型的输入包括控制器逻辑、信号配时参数、一天中的时段、来自检测器的交通状态、车辆感应数据以及行人感应数据。该方法论应用于北弗吉尼亚一个交叉口的数据并进行了评估。在LSTM中使用的包括均方误差、平均绝对误差和平均相对误差在内的不同损失函数之间进行了对比分析，并提出了一种新的损失函数。结果表明，虽然所提损失函数在总体绝对误差值上优于传统损失函数，但损失函数的选择依赖于预测时域。具体而言，在极短预测时域下平均相对误差优于所提损失函数，而在极长预测时域下均方误差优于所提损失函数。