58、交通流量预测与电力系统故障检测分类的智能模型研究

交通流量预测与电力系统故障检测分类的智能模型研究

交通流量预测的 Bi - LSTM GRU 混合模型

在交通流量预测领域，为了更精准地预测交通流量，研究人员提出了 Bi - LSTM GRU 混合模型。该模型由两个模块构成，第一个模块借助 Bi - LSTM 搭配受限注意力机制，能够捕捉交通数据的时间特征；第二个模块则是 GRU 模块，用于提取交通数据的周期性特征。

特征融合

在特征融合方面，采用拼接的方式将时间特征和周期特征进行组合。具体而言，将带有注意力机制的 Bi - LSTM 模块输出（$H_h$）和 Bi - LSTM 模块输出（$H_w$）拼接在一起，形成特征向量，其计算公式如下：
$H_{concat} = concat(H_h, H_w)$
这个特征向量会作为最终输入传入全连接层。全连接层运用线性激活函数，输出预测的交通流量（$y$），公式为：
$y = H_{concat}W_y + b_y$
其中，$W_y$ 和 $b_y$ 是可学习的参数。

性能评估

• 数据集 ：所使用的数据集来自加利福尼亚州交通运输部赞助的性能测量系统。该交通流量数据集是通过奥克兰市第 4 区 I980 街的多个传感器收集的，时间跨度从 2017 年 9 月 11 日至 2018 年 3 月 4 日，涵盖工作日和周末。道路有三条车道，为进行预测，将所有车道的交通流量数据进行了合并。交通数据每 5 分钟聚合一次，因此一天有 288 个时间戳。整个数据集被划分为三部分：训练集（60%）、验证集（20%）和测试集（20%），这有助于降低模型的泛化误差。 </