《表1 不同模型总体预测结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《智能网联环境下基于混合深度学习的交通流预测模型》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

选择ARIMA、多层感知机（MLP）、径向基函数神经网络（RBFNN）、LSTM、门控循环单元网络（GRU）、BiLSTM和EMD-BiLSTM与本文模型对比，检验模型精度和可靠性.ARIMA采用赤池信息量准则选择参数组合；MLP和RBFNN均为3层结构，隐藏层神经元个数为200，考虑上下游对预测车道的影响，输入时间步长为10，即对单车道而言，输入变量个数为90，其中，RBFNN采用高斯核函数作为径向基函数；LSTM、GRU、BiLSTM和EMD-BiLSTM模型的超参数设置如4.2节所述，输入模型的时间步长为10，均采用Adam算法进行训练，其中，BiLSTM算法中包含Attention机制，EMD-BiLSTM采用EMD分解重构输入和Attention机制的双向LSTM算法.表1为不同方法单步预测的总体结果，图5为各算法在不同车道的预测效果.