基于历史数据的长短期记忆神经网络路面摩擦预测
信号处理
2020-07-13 v1 机器学习
摘要
路面摩擦对交通安全与通行能力有显著影响。精确的路面摩擦预测模型有助于缓解恶劣道路条件对交通安全、服务水平、交通流动性、燃油效率以及持续经济生产力的影响。大多数相关既往研究为基于实验室的方法，难以实际实施。此外，在其他数据驱动方法中，未考虑路面条件所展现的时间序列特征。本研究采用长短期记忆（Long Short-Term Memory, LSTM）神经网络，基于历史数据建立数据驱动的路面摩擦预测模型。所提预测模型以最低的预测性能度量值优于其他基线模型。分析了时间滞后个数与预测时间间隔对预测精度的影响。此外，还研究了加入路面水膜厚度、路面温度与气温对预测精度的影响。本研究结果可支撑道路养护策略制定与决策，从而减轻恶劣道路条件对交通流动性与安全的影响。未来工作包括通过适应时间滞后间灵活的时间间隔来改进基于 LSTM 的预测模型。
引用
@article{arxiv.1911.02372,
title = {Road Surface Friction Prediction Using Long Short-Term Memory Neural Network Based on Historical Data},
author = {Ziyuan Pu and Shuo Wang and Chenglong Liu and Zhiyong Cui and Yinhai Wang},
journal= {arXiv preprint arXiv:1911.02372},
year = {2020}
}
备注
arXiv admin note: text overlap with arXiv:1911.00605