基于CNN-LSTM-PSO的交通流量預測

佘占峰

摘? 要：伴隨著經濟的發展，城市內交通流量迅速增長，從而導致城市內交通道路擁堵問題日益嚴峻。為了緩解道路擁堵壓力，該文提出了一種基于CNN-LSTM-PSO的深度學習短期交通流預測框架，該框架結合CNN（Convolutional Neural Network，卷積神經網絡）和LSTM（Long Short Term Memory Networks，長短期記憶網絡），并以PSO（Particle Swarm Optimization，粒子群）算法進行混合網絡結構的超參數優化。最后通過對實際交通流數據集的實驗驗證該方法的有效性。

關鍵詞：交通流? 神經網絡? 流量預測? ?粒子群

中圖分類號：TP183;U491? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ?文章編號：1672-3791（2021）12（b）-0038-03

Abstract： With the economic development， the traffic flow in the city is increasing rapidly. This leads to an increasingly serious traffic congestion problem in the city. In order to alleviate the road congestion pressure， this paper proposes a deep learning short-term traffic flow prediction framework based on CNN-LSTM-PSO. The framework combines CNN （Convolutional Neural Networks） with LSTM （Long Short Term Memory networks）. What's more， it uses PSO （Particle Swarm Optimization） algorithm for hyper parameter optimization of hybrid network structure. Finally， the effectiveness of this method is verified through experiments on actual traffic flow data sets.

Key Words： Traffic flow; Neural networks; Flow prediction; Particle swarm

面對交通數據的爆炸式增長，現代交通運輸管理正在向數據驅動型的智慧交通過渡，在智能交通系統中，數據來源于各類信息采集、傳輸設備、傳感器、攝像頭、GPS、移動手機信號、社交媒體等。這些數據蘊藏著交通系統的內在特征，帶來了智慧交通的可行性和可預測性[1]。傳統的淺層預測模型無法滿足智能交通的精準性需求，因此該文構建基于CNN-LSTM-PSO深層模型的預測架構對交通流量的進行高效預測。神經網絡算法中CNN（Convolutional Neural Networks，卷積神經網絡）[2-3]和LSTM（Long Short Term Memory networks，長短期記憶網絡）[4]。利用CNN與LSTM分別提取交通流的空間、時間特征，從而進行短期和長期預測[5-6]。為了進一步提高預測精度，該文采用PSO優化CNN-LSTM，提出一種CNN-LSTM-PSO算法，并應用于交通擁堵預測。

1? CNN-LSTM-PSO的交通流量預測模型

CNN-LSTM混合網絡結構由一維CNN、LSTM和特征融合層構成。CNN層負責捕捉交通流數據的局部趨勢和特征，LSTM層負責學習交通流數據的短時變化特征和長期依賴周期特征，特征融合層將不同的時空特征融合于基……