Исследование эффективности различных моделей нейронных сетей для прогнозирования транспортных потоков

Аннотация

Обоснование. Данная статья сравнивает эффективность моделей метода опорных векторов (SVM), сверточной нейронной сети с долгой краткосрочной памятью (CNN-LSTM) и гибридной модели SVM-LSTM для прогнозирования транспортных потоков в интеллектуальных транспортных системах (ИТС). Целью данного исследования является изучение сценариев применения различных моделей машинного обучения и нейронных сетей в прогнозировании транспортных потоков с упором на проверку эффективности моделей CNN-LSTM и SVM-LSTM, разработанных в данной статье, при интеграции извлечения пространственных признаков с моделированием временных рядов. Экспериментальная проверка проводится на реальных наборах данных о долгосрочных и краткосрочных транспортных потоках, а производительность каждой модели систематически оценивается с точки зрения количества ошибок прогнозирования, вычислительной эффективности и надежности. Благодаря всестороннему анализу таких метрик, как коэффициент детерминации (R²) и среднеквадратическая ошибка (RMSE), данное исследование обеспечивает основу для рационального выбора моделей прогнозирования в ИТС и предлагает теоретическую поддержку для будущих исследований в области моделирования слияния данных о многомодальных транспортных потоках.

Цель. В ходе систематических сравнительных исследований отбирается более эффективная и надежная модель для подсистемы прогнозирования транспортных потоков в ИТС, а также изучается эффективность гибридной модели при интеграции многомерных характеристик, что обеспечивает эмпирическую основу для дальнейшей оптимизации точности модели в будущем.

Материалы и методы. В этом исследовании использовались долгосрочные данные о транспортных потоках во Франции и краткосрочные данные о транспортных потоках в Италии. Эксперименты по прогнозированию проводились в среде MATLAB с использованием опорных векторных машин (SVM), моделей CNN-LSTM и модели SVM-LSTM с функцией потерь. Метод определения эффективности модели основан на теории линейной регрессии и фокусируется на подсчете количества ошибок в данных и оценке соответствия данных с помощью метрик. Метод определения эффективности модели основан на теории линейной регрессии и фокусируется на подсчете количества ошибок в данных и оценке соответствия данных с помощью метрик.

Результаты. Экспериментальные результаты, основанные на реальных наборах данных о транспортных потоках, показывают, что модель SVM-LSTM демонстрирует наилучшую общую производительность при долгосрочном прогнозировании транспортных потоков. Модель CNN-LSTM демонстрирует превосходные возможности моделирования временных рядов при краткосрочном прогнозировании транспортных потоков. С точки зрения вычислительной эффективности, модель SVM-LSTM сокращает время обучения на 10,2% по сравнению с моделью CNN-LSTM. Таким образом, сочетание SVM и LSTM сочетает преимущества извлечения пространственных признаков и моделирования временных рядов, а его применение в ИТС может повысить эффективность прогнозирования транспортных потоков.

EDN: BTJKLU