基于记忆的循环神经网络用于交通量预测：LSTM与GRU的比较分析
机器学习
2023-03-23 v1
摘要
实时预测交通量可改善交通流与道路安全。精确的交通量预测有助于提醒驾驶员其偏好路线上的交通流情况，防止潜在的死锁状况。现有参数模型无法在动态复杂交通条件下可靠预测交通量。因此，为以实时方式评估和预测每个给定时间步的交通量，我们开发了基于记忆的非线性深度神经网络模型。我们在Metro Interstate Traffic Volume数据集上进行的广泛实验证明了所提模型在高度动态和异质交通环境中预测交通量的有效性。
引用
@article{arxiv.2303.12643,
title = {Traffic Volume Prediction using Memory-Based Recurrent Neural Networks: A comparative analysis of LSTM and GRU},
author = {Lokesh Chandra Das},
journal= {arXiv preprint arXiv:2303.12643},
year = {2023}
}