微觀軌跡信息驅(qū)動(dòng)的Bi-LSTM合流區(qū)車速預(yù)測(cè)

作者簡(jiǎn)介：秦雅琴（1972—），女，博士，教授，主要從事駕駛?cè)艘虬踩④嚶穮f(xié)同、系統(tǒng)仿真建模研究，（E-mail）qinyaqin@kust.edu.cn。

通信作者：謝濟(jì)銘，男，博士，（E-mail）xiejiming@kust.edu.cn。

摘要：為明確城市快速路合流區(qū)的微觀速度特性，確保車輛在銜接段運(yùn)行速度協(xié)調(diào)可控，使車輛安全運(yùn)行。首先，基于無人機(jī)高空視頻，從廣域視角提取了典型多車道交織區(qū)全樣本高精度車輛軌跡數(shù)據(jù)，分析車速的累積頻率、分布趨勢(shì)、特征百分位值等運(yùn)行特性。然后，基于可有效捕捉前向歷史速度數(shù)據(jù)的變化特征的LSTM模型，構(gòu)建Bi-LSTM車速預(yù)測(cè)模型；考慮到人工設(shè)置訓(xùn)練參數(shù)對(duì)模型預(yù)測(cè)性能的影響較大、時(shí)間較長(zhǎng)，提出基于遺傳算法優(yōu)化的Bi-LSTM速度預(yù)測(cè)模型（GA-Bi-LSTM）。最后，以R2、Error Mean、Error StD、MSE、RMSE、NRMSE、秩相關(guān)這7類評(píng)價(jià)指標(biāo)，建立多指標(biāo)融合的評(píng)價(jià)方案。結(jié)果表明：GA-Bi-LSTM速度預(yù)測(cè)模型表現(xiàn)較優(yōu)，擬合指標(biāo)R2、秩相關(guān)分別為0.904 6、0.949 5，誤差指標(biāo)Error Mean、Error StD、MSE、RMSE、NRMSE分別為0.004 1、0.447 0、0.199 7、0.446 9、0.076 5。研究成果可為城市快速路的合流區(qū)車速調(diào)控提供理論依據(jù)。

關(guān)鍵詞：交通工程；速度預(yù)測(cè)；GA-Bi-LSTM；多車道交織區(qū)；微觀軌跡數(shù)據(jù)；遺傳算法

中圖分類號(hào)：U491.2nbsp; " " " " 文獻(xiàn)標(biāo)志碼：A" " " 文章編號(hào)：1000?582X（2023）04?120?09

Abstract： In order to guarantee the vehicle safety， it is necessary to clarify the microscopic speed characteristics of the urban expressway merging area and to ensure the coordination and control of the vehicle speed in the area. First， after the full-sample high-precision vehicle trajectory data of typical multi-lane interweaving area were extracted from a wide-area view based on the UAV overhead video， the operational characteristics of vehicle speed， such as cumulative frequency， distribution trend， and characteristic percentile value， were analyzed. Then， the Bi-LSTM vehicle speed prediction model was constructed based on the LSTM model that could effectively capture the change characteristics of forward historical speed data. Considering the significant effect of manual setting of training parameters on the model prediction performance and the long time they take， the Bi-LSTM speed prediction model based on genetic algorithm optimization （GA-Bi-LSTM） was proposed. Finally， a multi-metric fusion evaluation scheme was established with seven types of evaluation metrics， namely， R2， Error Mean， Error StD， MSE， RMSE， NRMSE， and Rank Correlation. The results show that the GA-Bi-LSTM speed prediction model performs better， with the fitting indicators R2 and Rank Correlation rs of 0.904 6 and 0.949 5， respectively， and the error indicators Error Mean， Error StD， MSE， RMSE， and NRMSE of 0.004 1，0.447 0，0.199 7，0.446 9 and 0.076 5， respectively. The findings can provide a theoretical basis for speed regulation in merging zones of urban expressways.

Keywords： traffic engineering; speed prediction; GA-Bi-LSTM; multi lane weaving area; micro trajectory data; genetic algorithm

城市快速路合流區(qū)因主線與匝道車流的交匯，易產(chǎn)生交通瓶頸，降低通行效率，影響行車安全［1］。車速作為衡量交通狀態(tài)的一個(gè)重要指標(biāo)，逐漸成為當(dāng)前交通預(yù)測(cè)的重點(diǎn)研究對(duì)象之一。由于車速存在隨機(jī)性、非線性、時(shí)空相關(guān)性等問題，如何準(zhǔn)確地挖掘其在時(shí)間和空間上的特點(diǎn)，成為車速預(yù)測(cè)的關(guān)鍵。

國(guó)內(nèi)外研究人員在數(shù)據(jù)驅(qū)動(dòng)的交通預(yù)測(cè)方面開展了有益探索，主要圍繞參數(shù)模型和深度學(xué)習(xí)展開［2］。參數(shù)模型預(yù)測(cè)方法主要有多元線性回歸［3］、自回歸移動(dòng)平均［4］（integrated moving average，ARIMA）、卡爾曼濾波［5］（kalman filter， KF）等。由于交通參數(shù)特征具有數(shù)據(jù)規(guī)模大、維度復(fù)雜并且提取難度高的特點(diǎn)，參數(shù)模型穩(wěn)定性較弱，難以反映其非線性變化特征。隨著計(jì)算機(jī)處理能力的提升，深度學(xué)習(xí)因其深層次的數(shù)據(jù)表達(dá)能力成為交通預(yù)測(cè)的重要手段，得出了較多具有參考價(jià)值的研究成果［6?7］。由于單一模型都有自身特點(diǎn)和應(yīng)用局限性，反映數(shù)據(jù)信息也存在一定的差異，因此使用單一模型進(jìn)行預(yù)測(cè)難免導(dǎo)致數(shù)據(jù)信息丟失。基于此，將不同模型通過適當(dāng)方式進(jìn)行有機(jī)融合，形成組合預(yù)測(cè)方法，提升預(yù)測(cè)準(zhǔn)確性和穩(wěn)定性，逐漸成為研究發(fā)展的需要［8?10］。

然而集成模型通常需要大量的參數(shù)調(diào)節(jié)實(shí)驗(yàn)來提升模型的結(jié)構(gòu)性能［11］，當(dāng)面對(duì)已知樣本和計(jì)算單元受到限制的情況下，其對(duì)復(fù)雜問題的泛化能力及計(jì)算能力同樣難以滿足要求，無法學(xué)習(xí)更有用的特征。此外，車路協(xié)同條件下高精度、高頻率的交通信息采集要求，對(duì)交通參數(shù)的有效預(yù)測(cè)造成了一定限制。

針對(duì)以上問題，為進(jìn)一步提高速度預(yù)測(cè)的準(zhǔn)確性，筆者構(gòu)建一種基于遺傳算法（genetic algorithm， GA）優(yōu)化的雙向長(zhǎng)短期記憶（bi-long short term memory， Bi-LSTM）網(wǎng)絡(luò)合流區(qū)車速預(yù)測(cè)集成模型（GA-Bi-LSTM）。基于無人機(jī)視頻提取技術(shù)及核相關(guān)濾波（kernel correlation filter， KCF）算法獲取合流區(qū)高精度車輛軌跡數(shù)據(jù)，利用Bi-LSTM提取合流區(qū)車輛速度的非線性、不穩(wěn)定性時(shí)空變化特征，構(gòu)建Bi-LSTM車速預(yù)測(cè)模型，考慮到Bi-LSTM的訓(xùn)練時(shí)間較長(zhǎng)，人工設(shè)置訓(xùn)練參數(shù)對(duì)預(yù)測(cè)性能的影響，為達(dá)到全局最優(yōu)，采用遺傳算法對(duì)Bi-LSTM模型進(jìn)行超參數(shù)尋優(yōu)，實(shí)驗(yàn)結(jié)果表明，筆者提出的GA-Bi-LSTM車速預(yù)測(cè)集成模型優(yōu)于基準(zhǔn)Bi-LSTM模型，并具有較好的穩(wěn)定性和魯棒性。

1 車速預(yù)測(cè)模型的構(gòu)建

1.1 Bi-LSTM車速預(yù)測(cè)模型

長(zhǎng)短期記憶網(wǎng)絡(luò)（long short term memory， LSTM）作為循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural net， RNN）網(wǎng)絡(luò)的改進(jìn)［12］，由遺忘門、輸入門、輸出門組成。Bi-LSTM模型是在LSTM的基礎(chǔ)上，將單向的LSTM層變?yōu)殡p向的Backward層和Forward層，既繼承了LSTM能夠避免梯度消失及梯度爆炸的優(yōu)勢(shì)，又解決了LSTM在信息處理上只按照單向先后順序的問題，能夠?qū)崿F(xiàn)對(duì)數(shù)據(jù)特征和規(guī)律更加全面的分析，其算法框架如圖1所示。

利用Bi-LSTM模型進(jìn)行速度預(yù)測(cè)的具體步驟為：

1）輸入速度序列，劃分出80%的訓(xùn)練集與20%的測(cè)試集，由于文中的數(shù)據(jù)基本服從正態(tài)分布，且存在異常值，為保證預(yù)測(cè)結(jié)果的準(zhǔn)確性，考慮先對(duì)數(shù)據(jù)進(jìn)行min-max標(biāo)準(zhǔn)化處理，為

2）初始化隱藏層狀態(tài)、神經(jīng)單元的的細(xì)胞狀態(tài)、最大訓(xùn)練次數(shù)等超參數(shù)。將經(jīng)過步驟1）處理后的數(shù)據(jù)輸入第一層Bi-LSTM神經(jīng)單元。

3）對(duì)當(dāng)前時(shí)刻遺忘門向量、輸入門向量、記憶細(xì)胞向量、輸出門向量、隱藏狀態(tài)分別進(jìn)行計(jì)算，保留和并將其傳輸?shù)较乱粫r(shí)刻的Bi-LSTM神經(jīng)單元。

4）判斷Backward層和Forward層的LSTM神經(jīng)單元是否學(xué)習(xí)結(jié)束，若沒有結(jié)束，則繼續(xù)步驟3）。

5）重復(fù)以上步驟計(jì)算下一層的Bi-LSTM神經(jīng)單元，隨后采用Dropout函數(shù)隨機(jī)丟失一部分特征，以防止出現(xiàn)過擬合現(xiàn)象，最后，通過全連接層進(jìn)行加權(quán)整合輸出如式（1），獲得合流區(qū)車速預(yù)測(cè)值。

1.2 遺傳算法優(yōu)化的Bi-LSTM速度預(yù)測(cè)模型

執(zhí)行車速預(yù)測(cè)任務(wù)時(shí)，需確定Bi-LSTM的超參數(shù)以保證算法獲得最優(yōu)性能［12］，影響模型性能主要參數(shù)為：隱藏層單元數(shù)（hidden layer units，）、學(xué)習(xí)率（learning rate，Lr）、隱藏層數(shù)（hidden layers，Hl）、L2正則化因子（L2 regularization，L2）、Bi-LSTM層數(shù)（Bi-LSTM layers，Ls）。

考慮到Bi-LSTM模型的訓(xùn)練時(shí)間較長(zhǎng)，人工設(shè)置上述參數(shù)對(duì)預(yù)測(cè)性能的影響較大，為保證模型預(yù)測(cè)性能，文中構(gòu)建優(yōu)化算法對(duì)參數(shù)進(jìn)行自動(dòng)尋優(yōu)。遺傳算法（GA）是模擬生物進(jìn)化進(jìn)行個(gè)體選擇、交叉和變異的一種算法［13］，其核心為參數(shù)編碼、初始群的設(shè)定和適應(yīng)函數(shù)的確定，具有可拓展性強(qiáng)、易于其他算法進(jìn)行結(jié)合使用的優(yōu)點(diǎn)。因此，文中將遺傳算法與雙向長(zhǎng)短期記憶網(wǎng)絡(luò)相結(jié)合，構(gòu)建遺傳算法優(yōu)化的Bi-LSTM速度預(yù)測(cè)模型（GA-Bi-LSTM）。通過對(duì)LSTM模型參數(shù)動(dòng)態(tài)調(diào)優(yōu)，獲取搜索空間內(nèi)的最優(yōu)解，具體步驟為：

4）交叉變異。基于序值和擁擠距離選擇序值小、擁擠距離大的個(gè)體，接著對(duì)交配池中個(gè)體進(jìn)行交叉與變異操作。

5）結(jié)果判斷。若滿足種群迭代次數(shù)條件，則停止計(jì)算，輸出最優(yōu)參數(shù)組合，否則，繼續(xù)交叉變異，直至找到Bi-LSTM最佳參數(shù)組合結(jié)果。

6）基于上述優(yōu)化步驟，完成GA-Bi-LSTM速度預(yù)測(cè)模型的構(gòu)建。

2 數(shù)據(jù)獲取與分析

2.1 高空視頻采集

文中選取某多車道交織區(qū)為研究對(duì)象，該交織區(qū)承擔(dān)東-西流向主要過境流量，具有速度離散、行為隨機(jī)、沖突集聚等獨(dú)特的交通特性，導(dǎo)致車速變化規(guī)律難以準(zhǔn)確掌握。在天氣良好的工作日，利用無人機(jī)懸停于交織區(qū)上方120 m采集車輛運(yùn)行高清視頻，如圖2所示。在實(shí)驗(yàn)過程中，為避免數(shù)據(jù)采集影響交通運(yùn)行，要求實(shí)驗(yàn)人員在人行道或周邊高地，使用無人機(jī)裝置錄制工作日高、平峰高清視頻數(shù)據(jù)。

2.2 交通信息提取

為從航拍視角獲取有效的車輛運(yùn)行宏微觀信息，采用多尺度KCF車輛跟蹤優(yōu)化算法對(duì)視頻中的運(yùn)動(dòng)車輛進(jìn)行識(shí)別和跟蹤，并對(duì)數(shù)據(jù)進(jìn)行了坐標(biāo)變換、數(shù)據(jù)驗(yàn)證和誤差消除等處理分析，提取流程如圖3所示，得到幀ID、時(shí)間ID、車輛ID、車輛質(zhì)心坐標(biāo)等車輛動(dòng)態(tài)屬性。基于此，構(gòu)建交通流信息與車輛行為信息基礎(chǔ)數(shù)據(jù)庫(kù)，包括車速、加速度、速度角度等。

通過車輛自動(dòng)跟蹤及人工標(biāo)定，獲取行經(jīng)交織區(qū)的1 000輛車的完整軌跡，得到共計(jì)30余萬(wàn)條微觀軌跡數(shù)據(jù)，軌跡信息時(shí)間精度0.1 s、空間精度0.1 m/px，數(shù)據(jù)顆粒度小，檢測(cè)結(jié)果精度較高。

2.3 合流區(qū)速度分析

2.3.1 合流區(qū)車速分布

高峰與平峰時(shí)段的合流區(qū)車速頻率分布及數(shù)據(jù)擬合如圖4所示，可以看出：

1）高峰時(shí)段速度總體處于［0，20］ km/h雜亂波動(dòng)，主要集中于6±3 km/h區(qū)間，平均速度約5.86 km/h。其中，85%車速小于10.0 km/h，速度累積頻率曲線的斜率突變點(diǎn)出現(xiàn)在90%分位左右。這是因?yàn)樵诟叻鍫顟B(tài)下，合流區(qū)車輛數(shù)量較多且前后跟馳密集，來自主線與匝道的車輛在保證安全的情況下在此進(jìn)行匯合，車輛低速緩慢行駛，導(dǎo)致通過合流區(qū)的車速上下波動(dòng)。

2）平峰時(shí)段車速分布略顯扁平，有序分布于［7.5，45］ km/h內(nèi)，主要集中于20±10 km/h，平均速度約23.3 km/h，85%車速小于32.4 km/h，速度累積頻率曲線平穩(wěn)上升，斜率突變點(diǎn)出現(xiàn)在85%分位左右，說明平峰時(shí)段車輛從匝道和主線駛?cè)牒狭鲄^(qū)時(shí)，基本不受路徑選擇、平縱線型、交織構(gòu)型等外在因素影響，行車間距與視距充足，車輛之間產(chǎn)生的影響較小，車輛選擇近似勻加速行駛。

2.3.2 合流區(qū)車速描述統(tǒng)計(jì)

為進(jìn)一步驗(yàn)證合流區(qū)車速描述統(tǒng)計(jì)規(guī)律，如表1所示。假設(shè)檢驗(yàn)方面，Kline等［15］提出，當(dāng)樣本數(shù)據(jù)偏度的絕對(duì)值小于3，峰度的絕對(duì)值小于10時(shí)，可認(rèn)為觀測(cè)變量基本服從Gaussian分布。因此，可認(rèn)為合流區(qū)車速運(yùn)行數(shù)據(jù)符合Gaussian分布；車速統(tǒng)計(jì)方面，高峰時(shí)段合流區(qū)速度的均值、標(biāo)準(zhǔn)差、50分位值、85分位值均小于平峰狀態(tài)，車速大幅衰減，均達(dá)50%以上。

由前述分析可知，實(shí)例合流區(qū)高峰時(shí)段具有車速離散、分布紊亂、瓶頸現(xiàn)象等獨(dú)特的特性，車速變化規(guī)律難以準(zhǔn)確把握。面向車路協(xié)同系統(tǒng)的速度控制調(diào)節(jié)，須保證此類非典型場(chǎng)景復(fù)雜車速運(yùn)行精準(zhǔn)預(yù)測(cè)。

3 模型驗(yàn)證

3.1 模型訓(xùn)練

為體現(xiàn)Bi-LSTM模型的性能優(yōu)勢(shì)，人工設(shè)置Bi-LSTM模型結(jié)構(gòu)性能使其達(dá)到最優(yōu)。按隱層數(shù)量×遍歷輪數(shù)×批大小的形式，設(shè)計(jì)了表2所示的24組交叉實(shí)驗(yàn)進(jìn)行測(cè)試［14］。模型包含4類隱藏層結(jié)構(gòu)，第1類只有1個(gè)隱藏層，隱藏層單元數(shù)為100，表示為；第2類有2個(gè)隱藏層，神經(jīng)元數(shù)量均為100，表示為，以此類推其余兩類分別為和。

完成24組訓(xùn)練測(cè)試后，根據(jù)模型的損失均值和RMSE均值篩選出誤差最小的結(jié)構(gòu)參數(shù)組合，作為模型的最優(yōu)結(jié)構(gòu)參數(shù)。最終采用第4組（隱藏層為，批大小為32，遍歷輪數(shù)為200）作為Bi-LSTM模型的最優(yōu)結(jié)構(gòu)參數(shù)。為保證模型控制條件唯一，將Bi-LSTM車速預(yù)測(cè)模型的最優(yōu)結(jié)構(gòu)參數(shù)值代入GA-Bi-LSTM車速預(yù)測(cè)模型中，使兩模型具有相同的初始結(jié)構(gòu)參數(shù)，此時(shí)針對(duì)GA-Bi-LSTM車速預(yù)測(cè)模型進(jìn)行自動(dòng)調(diào)參，如表3所示，進(jìn)行合流區(qū)高峰時(shí)段速度預(yù)測(cè)。

3.2 預(yù)測(cè)效果評(píng)價(jià)

針對(duì)高峰時(shí)段合流區(qū)車速數(shù)據(jù)，考慮到0.1 s時(shí)間窗口預(yù)測(cè)尺度適用性相對(duì)不強(qiáng)［4］，文中將速度值按照從小到大排序構(gòu)建歷史時(shí)域數(shù)據(jù)集，基于該結(jié)果采用滑動(dòng)時(shí)窗的方法提取1 s的速度序列平均值，如圖5所示。時(shí)間步長(zhǎng)設(shè)置為1 s，每次向前更新10個(gè)數(shù)據(jù)節(jié)點(diǎn)，新序列長(zhǎng)度為，共計(jì)得到1 507組速度序列數(shù)據(jù)，對(duì)其標(biāo)準(zhǔn)化處理得到數(shù)據(jù)集即為車速預(yù)測(cè)模型實(shí)驗(yàn)數(shù)據(jù)，如圖6所示。其中，橫坐標(biāo)為第i個(gè)數(shù)據(jù)點(diǎn)，縱坐標(biāo)為標(biāo)準(zhǔn)化速度。

統(tǒng)計(jì)2個(gè)模型的預(yù)測(cè)車速數(shù)據(jù)，對(duì)比情況如表4所示，以7類評(píng)價(jià)指標(biāo)為切入點(diǎn)，可以看出：相對(duì)于原始的Bi-LSTM深度學(xué)習(xí)模型，經(jīng)遺傳算法優(yōu)化后的GA-Bi-LSTM模型結(jié)構(gòu)在車速預(yù)測(cè)方面具有明顯優(yōu)勢(shì)，表現(xiàn)出更好的預(yù)測(cè)精度。

注：黑體加粗表示最優(yōu)指標(biāo)

1）擬合優(yōu)度R2。Bi-LSTM、GA-Bi-LSTM的R2分別為0.888 2和0.904 6，即GA-Bi-LSTM較Bi-LSTM整體提升了1.64%。顯然，GA-Bi-LSTM速度預(yù)測(cè)模型的預(yù)測(cè)值擬合優(yōu)度更高，預(yù)測(cè)值與原始值的相關(guān)性更高，即速度預(yù)測(cè)值更加接近實(shí)際值。

2）總體誤差Error Mean、Error StD。Bi-LSTM、GA-Bi-LSTM的Error Mean分別為-0.005 3和0.004 1，兩者差異明顯，這是由于Error Mean計(jì)算過程中正負(fù)誤差值相互抵消所致。Error StD分別為0.471 1和0.447 0，GA-Bi-LSTM較Bi-LSTM在Error StD層面提升了5.12%，表明GA-Bi-LSTM預(yù)測(cè)誤差分布更為集中。

3）逐樣本誤差MSE、RMSE、NRMSE。Bi-LSTM的MSE、RMSE、NRMSE依次為0.221 8、0.470 9、0.080 6；GA-Bi-LSTM分別為0.199 7、0.446 9、0.076 5，GA-Bi-LSTM較Bi-LSTM的MSE、RMSE、NRMSE分別提升9.96%、5.10%、5.09%，說明GA-Bi-LSTM性能更為穩(wěn)定，表現(xiàn)出更好的魯棒性。

4）秩相關(guān)性。Bi-LSTM、GA-Bi-LSTM的秩相關(guān)結(jié)果分別為0.945 3、0.949 5，GA-Bi-LSTM相關(guān)性稍高，較Bi-LSTM提升了0.42%。

3.3 優(yōu)化效果評(píng)價(jià)

最后，進(jìn)行遺傳算法優(yōu)化效果評(píng)價(jià)，迭代次數(shù)設(shè)置為100次，優(yōu)化過程如圖7所示。遺傳算法優(yōu)化器分別迭代至第2、4、5次時(shí)，預(yù)測(cè)誤差驟減；迭代至第6次時(shí)，模型開始收斂，迭代至99次時(shí)，模型持續(xù)收斂，得到最小誤差、最佳超參數(shù)點(diǎn)。說明遺傳算法的目標(biāo)函數(shù)在評(píng)估成本高的任務(wù)時(shí)，可以較快速度收斂，能夠應(yīng)用于高峰時(shí)段合流區(qū)車速預(yù)測(cè)，表現(xiàn)出更好的泛化性與可靠性。

4 結(jié)束語(yǔ)

文中采用遺傳算法對(duì)Bi-LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的隱藏層單元數(shù)、學(xué)習(xí)率、隱藏層、L2正則化因子進(jìn)行超參數(shù)優(yōu)化，構(gòu)建GA-Bi-LSTM速度預(yù)測(cè)模型。基于R2、Error Mean、Error StD、MSE等評(píng)價(jià)指標(biāo)，與Bi-LSTM速度預(yù)測(cè)模型相比，GA-Bi-LSTM速度預(yù)測(cè)模型的預(yù)測(cè)精度更高，說明基于遺傳算法優(yōu)化的速度預(yù)測(cè)集成模型可有效適應(yīng)與預(yù)測(cè)合流區(qū)高峰期復(fù)雜的速度特征，表現(xiàn)出更好的魯棒性與泛化性。

參考文獻(xiàn)

［1］" 張?chǎng)危?張衛(wèi)華. 快速路合流區(qū)主線不同交通狀態(tài)下的安全性分析［J］.吉林大學(xué)學(xué)報(bào)（工學(xué)版），2022，52（6）：1308-1314.

Zhang X， Zhang W H. Safety analysis of main line under different traffic conditions in expressway confluence area［J］.Journal of Jilin University（Engineering and Technology Edition）， 2022，52（6）：1308-1314.（in Chinese）

［2］" 帥斌， 米榮偉， 張銳， 等. 考慮駕駛行為異質(zhì)性的城市快速路合流區(qū)仿真模型［J］. 交通運(yùn)輸系統(tǒng)工程與信息， 2022， 22（3）： 267-275， 302.

Shuai B， Mi R W， Zhang R， et al. Urban expressway merging area simulation model based on heterogeneity of driving behavior ［J］. Journal of Transportation Systems Engineering and Information Technology， 2022， 22（3）： 267-275， 302. （in Chinese）

［3］" 賀正冰， 徐瑞康， 謝東繁， 等. 數(shù)據(jù)驅(qū)動(dòng)跟馳模型綜述［J］. 交通運(yùn)輸系統(tǒng)工程與信息， 2021， 21（5）： 102-113.

He Z B， Xu R K， Xie D F， et al. A review of data-driven car-following models［J］. Journal of Transportation Systems Engineering and Information Technology， 2021， 21（5）： 102-113.（in Chinese）

［4］" 徐進(jìn)， 曾粵. 高速條件下隧道出入口行駛速度特性［J］. 交通運(yùn)輸工程學(xué)報(bào)， 2021， 21（4）： 197-209.

Xu J， Zeng Y. Characteristics of driving speed at tunnel entrance and exit at high speed［J］. Journal of Traffic and Transportation Engineering， 2021， 21（4）： 197-209.（in Chinese）

［5］" Williams B M， Hoel L A. Modeling and forecasting vehicular traffic flow as a seasonal ARIMA process： theoretical basis and empirical results［J］. Journal of Transportation Engineering， 2003， 129（6）： 664-672.

［6］" Mir Z H， Filali F. An adaptive Kalman filter based traffic prediction algorithm for urban road network［C］//2016 12th International Conference on Innovations in Information Technology （IIT）. November 28-30， 2016， Al Ain， United Arab Emirates. IEEE， 2016： 1-6.

［7］" Yao B Z， Chen C， Cao Q D， et al. Short-term traffic speed prediction for an urban corridor［J］. Computer-Aided Civil and Infrastructure Engineering， 2017， 32（2）： 154-169.

［8］" Zhao Z， Chen W H， Wu X M， et al. LSTM network： a deep learning approach for short-term traffic forecast ［J］. IET Intelligent Transport Systems， 2017， 11（2）： 68-75.

［9］" Xu Y Y， Kong Q J， Klette R， et al. Accurate and interpretable Bayesian MARS for traffic flow prediction ［J］. IEEE Transactions on Intelligent Transportation Systems， 2014， 15（6）： 2457-2469.

［10］" Zheng L J， Yang J， Chen L， et al. Dynamic spatial-temporal feature optimization with ERI big data for Short-term traffic flow prediction ［J］. Neurocomputing， 2020， 412： 339-350.

［11］" Peng Y N， Xiang W L. Short-term traffic volume prediction using GA-BP based on wavelet denoising and phase space reconstruction［J］. Physica A： Statistical Mechanics and Its Applications， 2020， 549： 123913.

［12］" Ma X L， Tao Z M， Wang Y H， et al. Long short-term memory neural network for traffic speed prediction using remote microwave sensor data［J］. Transportation Research Part C： Emerging Technologies， 2015， 54： 187-197.

［13］" Kim C， Batra R， Chen L H， et al. Polymer design using genetic algorithm and machine learning［J］. Computational Materials Science， 2021， 186： 110067.

［14］" 謝濟(jì)銘，夏玉蘭，秦雅琴，等.基于雙向長(zhǎng)短期記憶網(wǎng)絡(luò)的城市快速路合流區(qū)車速預(yù)測(cè)［J/OL］.西南交通大學(xué)學(xué)報(bào)：1-9［2022-07-10］.http：//kns.cnki.net/kcms/detail/51.1277.U.20220705.2038.020.html.

Xie J M， Xia Y L， Qin Y Q， et al. Traffic speed prediction in merging zone of urban expressway based on bidirectional long short-term memory network［J/OL］. Journal of Southwest Jiao tong University：1-9［2022-07-10］.http：//kns.cnki.net/kcms/detail/51.1277.U.20220705.2038.020.html.（in Chinese）

［15］" Kline R B， Little T D. Principles and practice of structural equation modeling［M］. New York：Guilford Press， 2011.

（編輯" 詹燕平）