基于改进 LSTM 与 ARIMA 的交通流组合预测方法
机器学习
2019-06-26 v1 机器学习
摘要
交通流预测是智能交通系统建设的研究热点。现有交通流预测方法存在稳定性差、数据要求高或适应性差等问题。本文在 dropout 模块中定义交通数据时间奇异比，提出一种基于改进长短期记忆神经网络与时间序列自回归积分滑动平均模型（SDLSTM-ARIMA）的组合预测方法，该方法源自循环神经网络（RNN）模型。它将交通数据时间奇异比与 dropout 模块中的概率值进行比较，并以不等时间间隔进行组合，以实现对交通流数据的准确预测。然后，我们设计了一个可适配 Java、Python 等语言及其他接口的自适应交通流嵌入式系统。实验结果表明，基于 SDLSTM-ARIMA 模型的方法比仅使用自回归积分滑动平均或自回归的同类方法具有更高的精度。我们集成了计算机视觉、机器学习和云的嵌入式交通预测系统具有高精度、高可靠性和低成本等优势，因此具有广阔的应用前景。
引用
@article{arxiv.1906.10407,
title = {Traffic Flow Combination Forecasting Method Based on Improved LSTM and ARIMA},
author = {Boyi Liu and Xiangyan Tang and Jieren Cheng and Pengchao Shi},
journal= {arXiv preprint arXiv:1906.10407},
year = {2019}
}