论文部分内容阅读
实时，准确的交通流短期预测是交通诱导、管理的前提。为了提高预测精度，结合交通流数据中的历史时间相关性与网络空间断面相关性，构建了一种基于皮尔森相关系数法（Pearson Correlation Coefficient，PCC）与双向长短时记忆（Bidirectional Long Short Term Memory Network， BLSTM）架构的交通流短时预测模型。该模型可以通过PCC筛选路网中与目标路段空间相关的路段，并将其重构为新数据集，作为BLSTM预测模型的输入，以实现交通流短期预测。通过美国加州交通流数据对模型预测性能进行评价，实验结果表明：该模型可以融合交通流数据中的时空相关性，相对于其他主流预测模型精度平均可提高4.83%。