《表1 不同模型总体预测结果》
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.
图表编号 | XD00177254900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.06.01 |
作者 | 陆文琦、芮一康、冉斌、谷远利 |
绘制单位 | 东南大学交通学院、东南大学—威斯康星大学智能网联交通联合研究院、东南大学城市智能交通江苏省重点实验室、东南大学交通学院、东南大学—威斯康星大学智能网联交通联合研究院、东南大学城市智能交通江苏省重点实验室、东南大学交通学院、东南大学—威斯康星大学智能网联交通联合研究院、东南大学城市智能交通江苏省重点实验室、北京交通大学综合交通运输大数据应用技术行业重点实验室 |
更多格式 | 高清、无水印(增值服务) |