基于Bi-LSTM的两阶段预测方法,用于在短距离十字路口消散流量溢出
Zijun Liang1,2,3, Ruihan Wang4, Xuejuan Zhan5
1School of Urban Construction and Transportation, Hefei University, Hefei, 230601, China. lzj@hfuu.edu.cn.
Scientific reports
|July 2, 2025
概括
这项研究使用一种新的两阶段机器学习模型预测了在短距离十字路口的交通溢出消散. Bi-LSTM模型准确地预测了队列长度和溢出消耗,改善了交叉路口的容量.
科学领域:
- 运输工程 运输工程
- 机器学习应用 机器学习应用
- 交通流理论的流量理论.
背景情况:
- 在短距离交叉路口的交通溢出是一个常见但经常被忽视的问题.
- 预测这种交通拥堵的消散对于优化十字路口容量至关重要.
- 现有的方法可能无法充分解决短距离交叉点溢出效应的复杂性.
研究的目的:
- 开发和验证一种机器学习模型,用于预测在短距离交叉口的交通溢出消散.
- 提高交通溢出预测的解释性和准确性.
- 为了实现有针对性的信号控制策略,以减轻交通拥堵.
主要方法:
- 基于交通波理论识别和确定流量溢出消散的拟议条件.
- 使用VISSIM 11来模拟交通操作和收集数据.
- 使用双向长短期存储器 (Bi-LSTM) 网络构建了一个两阶段的预测模型,在第一阶段结合了队列长度预测和第二阶段的溢出消散预测.
主要成果:
- Bi-LSTM模型的第一阶段在预测队列长度方面实现了93.4%的准确性,超过了传统模型.
- 第二阶段在流量溢出识别方面达到92.88%的准确性,在消散状态预测方面达到90.72%.
- 与单阶段模型相比,双阶段预测方法显示出更高的性能.
结论:
- 拟议的双阶段Bi-LSTM模型有效地预测了在短距离交叉口的流量溢出和流失.
- 该方法验证了使用机器学习用于交通溢出管理的可行性和有效性.
- 准确的预测有助于有针对性的信号控制,提高了短距离交叉路口的运营能力.
