Ứng dụng học sâu dự đoán lưu lượng giao thông trên dữ liệu thời gian thực

Tóm tắt

Trong bối cảnh đô thị hóa, việc quản lý và tối ưu hóa hạ tầng giao thông nhằm giảm thiểu tình trạng ùn tắc là cần thiết. Dự đoán lưu lượng phương tiện tại từng thời điểm góp phần giải quyết bài toán ùn tắc, tạo cơ sở để xây dựng hệ thống giao thông thông minh, đô thị thông minh. Bài báo này tiến hành nghiên cứu, đánh giá các mô hình học sâu GRU, LSTM, Transformer, RNN và MLP trong phân tích chuỗi thời gian và dự đoán lưu lượng giao thông. Kết quả thử nghiệm cho thấy các mô hình học sâu đều cho độ chính xác tương đối cao, trong đó, Transformer đạt giá trị cao nhất là 93%. Những kết quả trên cho thấy tiềm năng ứng dụng của học sâu trong việc dự đoán sớm lưu lượng giao thông và quy hoạch đô thị.