基于智慧交通空间模型数据预测研究  

Research on data prediction based on smart transportation spatial model

作　　者：邵洪清 高剑峰 杜宇 SHAO Hongqing;GAO Jianfeng;DU Yu

机构地区：[1]茂名职业技术学院,广东茂名525000 [2]茂名市交通设计院有限公司,广东茂名525000 [3]中铁十四局集团有限公司,山东日照276800

出　　处：《智能城市》2025年第3期34-36,共3页Intelligent City

基　　金：2024年度茂名市哲学社会科学规划共建项目(2024GJ12);2024年度广东省教育厅普通高校认定类科研项目(2024KTSCX273)。

摘　　要：智慧交通监测系统能够实时监测路网运行状态,并及时响应突发道路事件,但在交通流量预测方面存在局限性。为此,本研究采用蝙蝠算法(BA)优化长短期记忆网络(LSTM)的超参数,构建基于改进LSTM的交通流量预测模型。试验结果表明,改进模型的平均绝对误差(MAE)为22.54,均方根误差(RMSE)为35.16,均优于传统LSTM模型。该模型的应用可提升交通流量预测精度,为智慧交通系统的决策支持提供技术依据。Smart traffic monitoring systems can monitor road network operations in real-time and respond quickly to sudden road events,but they have limitations in traffic flow prediction.To address this,this study uses the bat algorithm(BA)to optimize the hyperparameters of the long short-term memory network(LSTM),constructing a traffic flow prediction model based on improved LSTM.Experimental results show that the improved model has a lower mean absolute error(MAE)of 22.54 and a lower root mean square error(RMSE)of 35.16 compared to the traditional LSTM model.The application of this model can enhance traffic flow prediction accuracy and provide a technical basis for decision-making support in smart traffic systems.

关 键 词：智慧交通 数据预测 交通流量 长短期记忆网络 

分 类 号：U293.13[交通运输工程—交通运输规划与管理]