Resumen

Este artículo presenta un método de predicción del tráfico a corto plazo que tiene en cuenta los datos históricos de los puntos anteriores y del propio punto de predicción, así como sus características espaciotemporales. En primer lugar, se propone el modelo de mezcla gaussiana (GMM) basado en la divergencia de Kullback-Leibler y el coeficiente de análisis de relación gris calculado por los datos del periodo correspondiente. Puede seleccionar los puntos aguas arriba que tienen un gran impacto en el punto de predicción para reducir el cálculo y aumentar la precisión en el siguiente trabajo de predicción. En segundo lugar, se discute el modelo híbrido construido por el algoritmo de memoria a largo plazo y vecino más próximo K (LSTM-KNN) utilizando la optimización del lobo gris transformado. En esta parte se utiliza la computación paralela para reducir la complejidad. En tercer lugar, se llevan a cabo algunos experimentos significativos utilizando datos reales con diferentes puntos anteriores, pasos temporales y estructuras de modelos de predicción. Los resultados muestran que el GMM puede mejorar la precisión de los modelos multifactoriales, como las máquinas de vectores soporte, el KNN y el multi-LSTM. En comparación con otros modelos convencionales, el modelo de predicción TGWO-LSTM-KNN presenta una mayor precisión y estabilidad. Dado que el método propuesto es capaz de exportar simultáneamente el conjunto de datos de predicción de puntos ascendentes y de predicción, puede aplicarse a la gestión colaborativa y también tiene buenas perspectivas potenciales de aplicación en redes de autopistas.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:lstm, puntos aguas arriba, coeficiente de análisis de la relación gris, método de predicción del tráfico de términos, modelo de mezcla gaussiana, modelo de predicción knn, diferentes puntos aguas arriba, buenas perspectivas potenciales, optimización del lobo gris, próximo trabajo de predicción
• Keywords:lstm, upstream points, grey relation analysis coefficient, term traffic prediction method, gaussian mixture model, knn prediction model, different upstream points, good potential prospects, grey wolf optimization, next prediction work