《表2 不同模型单步预测性能比较》

  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

《基于组合深度学习的快速路车道级速度预测研究》

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

本文选择ARIMA，SVR，RNN，LSTM和GRU模型与CDL模型进行单步预测对比，即对下一个时刻的车道速度进行预测.其中ARIMA模型采用赤池信息量准则（Akaike Information Criterion，AIC）选择最佳的p，d，q参数；SVR选用径向基函数（Radial Basis Function，RBF）作为核函数，使用交叉验证和网格搜索选取模型参数；RNN，LSTM和GRU隐藏层为1层，并采用与CDL相同的输入矩阵（即Xt=[15，10]）和其他超参数设定.如表2所示，CDL模型误差最小且稳定性最好，MAE和RMSE分别为4.98和6.18，比误差第2小的GRU模型的MAE和RMSE分别降低9.12%和3.74%，CDL的VAPE为13.25%，比传统的ARIMA算法稳定性提升了33.58%，此外基于RNN预测模型的VAPE值均低于14.00%，模型稳定性较好.CDL不同车道断面的单步预测结果如图7所示，CDL模型能够较好地拟合不同车道交通流在不同时段的波动模式，即使在受汇入车辆影响较大的外侧车道（L9），CDL也能精确地获捕获车速的变化.