基于改進(jìn)GRU的高速公路交通流量預(yù)測(cè)模型

陳 剛

(廣西交通投資集團(tuán),廣西 南寧 530022)

0 引 言

隨著高速公路系統(tǒng)的完善以及人們生活水平的提高,機(jī)動(dòng)車(chē)數(shù)量日益增加,高速公路交通擁堵現(xiàn)象頻發(fā),且目前高速公路交管部門(mén)對(duì)交通數(shù)據(jù)的準(zhǔn)確掌握還存在一定的局限性,因此未能很好地為出行者提供更好的引導(dǎo)。由此,對(duì)高速公路的交通流量進(jìn)行準(zhǔn)確預(yù)測(cè)具有重要意義[1-2]。交通流量是指在單位時(shí)間內(nèi)通過(guò)道路某斷面的車(chē)輛數(shù)目[3]。目前諸多相關(guān)學(xué)者的研究對(duì)象是如何建立一個(gè)適應(yīng)性強(qiáng)、精確度高的交通流量預(yù)測(cè)模型[4-5],且交通流量也是使用智能交通系統(tǒng)進(jìn)行交通控制和誘導(dǎo)的重要基礎(chǔ)[6-7]。

國(guó)內(nèi)外學(xué)者對(duì)高速公路交通流量預(yù)測(cè)做了大量研究。曾憲堂等人[8]研究發(fā)現(xiàn)數(shù)據(jù)質(zhì)量和算法精度是交通流預(yù)測(cè)的關(guān)鍵;劉永樂(lè)等人[9]將CNN-BiLSTM模型與簡(jiǎn)單基準(zhǔn)模型進(jìn)行對(duì)比,實(shí)驗(yàn)結(jié)果表明該模型更加符合實(shí)際交通流量變化規(guī)律,但并未關(guān)注時(shí)間序列中更重要的因素;Deng等人[10]將時(shí)間序列分析問(wèn)題轉(zhuǎn)化為圖像分析任務(wù),提出模型具有預(yù)測(cè)路網(wǎng)不完整數(shù)據(jù)流量的能力,但這些深層網(wǎng)絡(luò)結(jié)構(gòu)比較復(fù)雜,并且其可解釋性不強(qiáng);Dissanayake B等人[11]采用機(jī)器學(xué)習(xí)VAR模型進(jìn)行預(yù)測(cè),但該模型不能精準(zhǔn)體現(xiàn)交通流的非線(xiàn)性和隨機(jī)性,因此預(yù)測(cè)精度差;Zhang等人[12]提出基于Spark下時(shí)空特征關(guān)系的加權(quán)KNN模型,預(yù)測(cè)效率相比KNN算法明顯提高。

在上述研究的基礎(chǔ)上,為了提高高速公路交通流量預(yù)測(cè)精度并考慮到交通流量數(shù)據(jù)具有的隨機(jī)性、非線(xiàn)性及周期性等特點(diǎn),該文設(shè)計(jì)了基于改進(jìn)門(mén)控循環(huán)網(wǎng)絡(luò)的高速公路交通流預(yù)測(cè)模型,對(duì)高速公路交通流量進(jìn)行有效預(yù)測(cè)。采用平均絕對(duì)誤差(MAE)等3項(xiàng)評(píng)估指標(biāo),在廣西高速公路的真實(shí)數(shù)據(jù)集上和芬蘭公共交通管理局某自動(dòng)測(cè)量站(LAM)收集的道路交通信息上進(jìn)行訓(xùn)練測(cè)試,并與長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)和門(mén)控循環(huán)網(wǎng)絡(luò)(GRU)進(jìn)行對(duì)比,評(píng)估指標(biāo)表明所提模型較另外兩種模型更準(zhǔn)確和穩(wěn)定。貢獻(xiàn)如下:(1)對(duì)GRU網(wǎng)絡(luò)進(jìn)行改進(jìn),分別對(duì)激活函數(shù)、梯度下降優(yōu)化器和生成概率密度函數(shù)進(jìn)行改進(jìn);(2)結(jié)合時(shí)序數(shù)據(jù)的時(shí)序特性比較模型的性能。

1 基礎(chǔ)理論

1.1 LSTM模型

LSTM(Long Short Term Memory)是一種針對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)的缺陷進(jìn)行改進(jìn)的神經(jīng)網(wǎng)絡(luò),其在循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的神經(jīng)元中加入了一個(gè)判斷當(dāng)前信息是否要遺忘的“處理器”——cell,從而使RNN網(wǎng)絡(luò)具備了長(zhǎng)期記憶功能,解決了RNN無(wú)法處理長(zhǎng)距離依賴(lài)的問(wèn)題[13]。LSTM引入了3種類(lèi)型的門(mén),即遺忘門(mén)、輸入門(mén)和輸出門(mén)[14],以及與隱藏狀態(tài)形狀相同的記憶細(xì)胞。

LSTM最重要的特點(diǎn)是保存細(xì)胞狀態(tài)(cell state)。在訓(xùn)練的過(guò)程中,輸入信息通過(guò)遺忘門(mén),決定從細(xì)胞狀態(tài)中遺忘的信息[15-16],即讀取隱層狀態(tài)ht-1和t時(shí)刻輸入向量xt,并給每個(gè)細(xì)胞狀態(tài)Ct-1輸出一個(gè)[0,1]之間的數(shù)字。

在得到遺忘門(mén)的輸出結(jié)果后,將為更新細(xì)胞狀態(tài)做準(zhǔn)備。把輸入數(shù)據(jù)保存到細(xì)胞單元中,并創(chuàng)建一個(gè)新的候選向量用于存放上一個(gè)細(xì)胞狀態(tài)的輸出值,用這兩個(gè)信息對(duì)細(xì)胞狀態(tài)進(jìn)行更新。

在得到當(dāng)前時(shí)刻細(xì)胞信息之后,將通過(guò)輸出門(mén)對(duì)信息進(jìn)行過(guò)濾。通過(guò)運(yùn)行sigmoid函數(shù)確定要輸出的信息內(nèi)容。隨后,細(xì)胞狀態(tài)在通過(guò)tanh函數(shù)進(jìn)行處理后得到一個(gè)在[-1,1]之間的數(shù)值,再與sigmoid函數(shù)的輸出相乘,即可確定并輸出信息。

1.2 GRU模型

門(mén)控循環(huán)神經(jīng)網(wǎng)絡(luò)(GRU)是LSTM的一種變體,GRU不再使用單獨(dú)的記憶細(xì)胞存儲(chǔ)記憶信息,而是直接利用隱藏單元記錄歷史狀態(tài)且只包含了更新門(mén)和重置門(mén)[17],即圖1中的zt和rt。利用重置門(mén)控制當(dāng)前信息和記憶信息的數(shù)據(jù)量,并生成新的記憶信息繼續(xù)向前傳遞,利用更新門(mén)計(jì)算當(dāng)前時(shí)刻隱藏狀態(tài)的輸出,隱藏狀態(tài)的輸出信息由前一時(shí)刻的隱藏狀態(tài)信息ht-1和當(dāng)前時(shí)刻的隱藏狀態(tài)信息ht輸出,模型算法如公式(1)至公式(4)所示。GRU的訓(xùn)練方法與LSTM相似。

圖1 GRU結(jié)構(gòu)

zt=σ(Wz·[ht-1,xt])

(1)

rt=σ(Wr·[ht-1,xt])

(2)

(3)

(4)

式中,門(mén)控信號(hào)zt的范圍為[0,1],當(dāng)zt為0時(shí)表示記憶信息全部清除,反之當(dāng)zt為1時(shí),表示記憶信息全部通過(guò)。

2 文中模型

2.1 改進(jìn)GRU模型

提出對(duì)門(mén)控循環(huán)網(wǎng)絡(luò)進(jìn)行改進(jìn),分別對(duì)激活函數(shù)、梯度下降優(yōu)化器和生成概率密度函數(shù)進(jìn)行改進(jìn),改進(jìn)后的GRU網(wǎng)絡(luò)模型具有多樣性、準(zhǔn)確率高、緩解梯度消失等特點(diǎn)。

2.1.1 改進(jìn)激活函數(shù)

(5)

(6)

(7)

(8)

(9)

(10)

2.1.2 梯度下降優(yōu)化器

(11)

(12)

(13)

(14)

(15)

(16)

(17)

(18)

(19)

2.1.3 生成概率密度函數(shù)

在執(zhí)行階段,推導(dǎo)經(jīng)過(guò)訓(xùn)練的深度學(xué)習(xí)模型的微分方程,如式(19)所示,得到估計(jì)的概率密度函數(shù)。

2.2 GRU預(yù)測(cè)模型結(jié)構(gòu)

該模型的輸入為預(yù)處理后的交通流量數(shù)據(jù)集,將該輸入向量傳入到輸入層,根據(jù)2.1.1節(jié)提到的改進(jìn)激活函數(shù)計(jì)算到隱含層的輸入向量;接著依據(jù)訓(xùn)練過(guò)程進(jìn)行逐層訓(xùn)練,其損失函數(shù)為2.1.1節(jié)公式(10);然后使用梯度下降優(yōu)化器進(jìn)行優(yōu)化,分別選擇RMSprop和adam算法作為權(quán)重優(yōu)化器對(duì)模型內(nèi)部權(quán)重進(jìn)行優(yōu)化;若未達(dá)到最大迭代次數(shù),則更新權(quán)重后繼續(xù)進(jìn)行訓(xùn)練,直到達(dá)到最大迭代次數(shù);最后將輸出向量傳遞至輸出層。GRU預(yù)測(cè)模型結(jié)構(gòu)如圖3所示。

圖3 GRU預(yù)測(cè)模型結(jié)構(gòu)

2.3 整體框架

該文首先對(duì)芬蘭交通管理部門(mén)某自動(dòng)測(cè)量站數(shù)據(jù)集和廣西高速公路的真實(shí)數(shù)據(jù)集進(jìn)行預(yù)處理,分別在LSTM模型、GRU模型和所提模型上進(jìn)行訓(xùn)練,然后分別用兩個(gè)數(shù)據(jù)集的測(cè)試集在訓(xùn)練好的三個(gè)模型上進(jìn)行測(cè)試,得到下一時(shí)刻的交通流量預(yù)測(cè)信息。交通流量預(yù)測(cè)模型的整體框架如圖4所示。

圖4 交通流量預(yù)測(cè)模型整體框架

3 模型案例分析

3.1 實(shí)驗(yàn)數(shù)據(jù)集

所使用的實(shí)驗(yàn)數(shù)據(jù)來(lái)源于廣西高速公路的真實(shí)數(shù)據(jù)集和芬蘭交通管理部門(mén)的某自動(dòng)測(cè)量站(LAM)收集的道路交通信息,如表1所示。下面具體介紹使用到的實(shí)驗(yàn)數(shù)據(jù)集來(lái)源。

表1 數(shù)據(jù)集信息

3.1.1 廣西高速公路交通流量數(shù)據(jù)集

從G72泉南高速?gòu)V西南寧東收費(fèi)站斷面采集2019年3月24日至2019年4月9日的交通流量數(shù)據(jù),數(shù)據(jù)單元以5分鐘為時(shí)間間隔,一共17天(每天24小時(shí)),共采集數(shù)據(jù)4 896組,為避免數(shù)據(jù)采集系統(tǒng)異常導(dǎo)致的數(shù)據(jù)錯(cuò)誤,對(duì)采集的樣本數(shù)據(jù)采用孤立森林異常檢測(cè)算法識(shí)別異常值,采用B樣條曲線(xiàn)插值法替換異常值和插補(bǔ)缺失值,最終得到樣本數(shù)據(jù)4 890組。并按8∶2的比例劃分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集,即可得到訓(xùn)練集數(shù)據(jù)3 912組,測(cè)試集數(shù)據(jù)978組。

3.1.2 芬蘭交管部門(mén)LAM交通流量數(shù)據(jù)集

該站以5分鐘/次的采樣頻率對(duì)通過(guò)該測(cè)量站的車(chē)流量數(shù)據(jù)進(jìn)行采樣,該數(shù)據(jù)包含了該路段連續(xù)四周的數(shù)據(jù),以及之后一周的數(shù)據(jù),共采集數(shù)據(jù)10 656組。將連續(xù)四周的數(shù)據(jù)作為訓(xùn)練集構(gòu)建模型,之后一周的數(shù)據(jù)作為測(cè)試集進(jìn)行預(yù)測(cè),同樣采用B樣條曲線(xiàn)插值法替換異常值和插補(bǔ)缺失值,最終得到訓(xùn)練集8 516組,測(cè)試集2 129組。

3.2 評(píng)估準(zhǔn)則

采用三種預(yù)測(cè)精度衡量方法進(jìn)行衡量評(píng)估,分別為平均絕對(duì)誤差(MAE)、均方根誤差(RMSE)、平均絕對(duì)百分比誤差(MAPE)。

(1)MAE是絕對(duì)誤差的平均值,能更好地反映預(yù)測(cè)值誤差的實(shí)際情況。

(20)

(2)RMSE用于指示模型在預(yù)測(cè)中會(huì)產(chǎn)生多大的誤差,能很好地反映出模型的預(yù)測(cè)精度,誤差越大,權(quán)重越高。

(21)

(3)MAPE是相對(duì)誤差的度量值,不會(huì)因目標(biāo)變量的全局縮放而改變。

(22)

3.3 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置

為測(cè)試模型的性能差異,使用Python語(yǔ)言進(jìn)行開(kāi)發(fā),采用了基于Tensorflow、Theano以及CNTK后端的一個(gè)高層神經(jīng)網(wǎng)絡(luò)API——Keras。模型包含兩個(gè)隱含層的神經(jīng)網(wǎng)絡(luò)。

首先對(duì)芬蘭交管部門(mén)LAM交通流量數(shù)據(jù)集和廣西高速公路采集到的數(shù)據(jù)集進(jìn)行預(yù)處理,將處理好的訓(xùn)練集和測(cè)試集數(shù)據(jù)生成一個(gè)標(biāo)準(zhǔn)化對(duì)象scaler,使用該對(duì)象對(duì)數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化操作。由于時(shí)序數(shù)據(jù)的預(yù)測(cè)任務(wù)需要使用歷史數(shù)據(jù)對(duì)未來(lái)數(shù)據(jù)進(jìn)行預(yù)測(cè),使用時(shí)滯變量lags=12對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行劃分,最后獲得大小為(samples,lags)的數(shù)據(jù)集。劃分后的數(shù)據(jù)集在排序上依然具有時(shí)序的特性,即使Keras在訓(xùn)練時(shí)可以選擇對(duì)數(shù)據(jù)進(jìn)行混洗,但是其執(zhí)行順序是先對(duì)真實(shí)數(shù)據(jù)進(jìn)行采樣再進(jìn)行混洗,采樣過(guò)程依舊是按照順序來(lái)的。該文使用numpy.random.shuffle對(duì)數(shù)據(jù)進(jìn)行混洗,打亂數(shù)據(jù)的順序。

模型設(shè)定包含兩個(gè)隱含層的神經(jīng)網(wǎng)絡(luò),每一層隱藏層中含有64個(gè)神經(jīng)元,在隱藏層和輸出層之間加入dropout層,降低節(jié)點(diǎn)間的相互依賴(lài)性,實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的正則化,最后輸出層含有1個(gè)神經(jīng)單元,即輸出的是一個(gè)數(shù)字。

LSTM、GRU和改進(jìn)GRU模型按照正常的RNN網(wǎng)絡(luò)進(jìn)行訓(xùn)練。使用train_model()函數(shù)訓(xùn)練。使用RMSprop(lr=0.001,rho=0.9,epsilon=1e-06)作為優(yōu)化器,batch size為256,共有600個(gè)epochs,lags為12(即時(shí)滯長(zhǎng)度為一個(gè)小時(shí))。

3.4 結(jié)果分析

在模型訓(xùn)練完畢之后,將處理好的測(cè)試集輸入模型中進(jìn)行預(yù)測(cè),得到預(yù)測(cè)精度。采用芬蘭數(shù)據(jù)集的預(yù)測(cè)結(jié)果如圖5所示。為了便于展示,圖5～圖12僅列出一天的預(yù)測(cè)結(jié)果。由圖可以看出使用改進(jìn)GRU模型對(duì)流量數(shù)據(jù)的預(yù)測(cè)擬合度更高。采用廣西高速公路數(shù)據(jù)集的預(yù)測(cè)結(jié)果如圖6所示,由圖可以看出GRU模型的擬合度較差,不如LSTM模型和改進(jìn)GRU模型,而LSTM模型和改進(jìn)GRU模型擬合曲線(xiàn)接近,因此無(wú)法分出優(yōu)劣。

圖5 兩層網(wǎng)絡(luò)模型使用RMSprop優(yōu)化器在芬蘭數(shù)據(jù)集上的預(yù)測(cè)結(jié)果

圖6 兩層網(wǎng)絡(luò)模型使用RMSprop優(yōu)化器在廣西數(shù)據(jù)集上的預(yù)測(cè)結(jié)果

為了得到普遍的規(guī)律,對(duì)三個(gè)模型的參數(shù)進(jìn)行調(diào)整,使用相同的數(shù)據(jù)集再次進(jìn)行訓(xùn)練測(cè)試,調(diào)整訓(xùn)練的優(yōu)化器,采用adam優(yōu)化器(lr=0.001,beta_1=0.9,beta_2=0.999,epsilon=1e-08)對(duì)模型進(jìn)行訓(xùn)練,得到圖7所示的芬蘭數(shù)據(jù)集的預(yù)測(cè)結(jié)果,可以看出改進(jìn)GRU模型與原始數(shù)據(jù)擬合度更高。圖8為廣西數(shù)據(jù)集的預(yù)測(cè)結(jié)果,可以看出GRU模型的擬合度較差,不如LSTM模型和改進(jìn)GRU模型,而LSTM模型和改進(jìn)GRU模型擬合曲線(xiàn)接近,因此無(wú)法分出優(yōu)劣。

圖7 兩層網(wǎng)絡(luò)模型使用adam優(yōu)化器在芬蘭數(shù)據(jù)集上的預(yù)測(cè)結(jié)果

圖8 兩層網(wǎng)絡(luò)模型使用adam優(yōu)化器在廣西數(shù)據(jù)集上的預(yù)測(cè)結(jié)果

同時(shí),還選擇構(gòu)建三層LSTM、GRU和改進(jìn)GRU神經(jīng)網(wǎng)絡(luò)模型,以比較三個(gè)模型之間的性能差別,輸入相同的數(shù)據(jù)集進(jìn)行訓(xùn)練以及測(cè)試,本次實(shí)驗(yàn)依然采用的是RMSprop的優(yōu)化器,與兩層神經(jīng)網(wǎng)絡(luò)的結(jié)果進(jìn)行參照對(duì)比,預(yù)測(cè)結(jié)果如圖9和圖10所示。

圖9 三層網(wǎng)絡(luò)模型使用RMSprop優(yōu)化器在芬蘭數(shù)據(jù)集上的預(yù)測(cè)結(jié)果

圖10 三層網(wǎng)絡(luò)模型使用RMSprop優(yōu)化器在廣西數(shù)據(jù)集上的預(yù)測(cè)結(jié)果

圖9為芬蘭數(shù)據(jù)集的預(yù)測(cè)結(jié)果,可以看出改進(jìn)GRU模型的預(yù)測(cè)曲線(xiàn)更接近真實(shí)數(shù)據(jù)集的曲線(xiàn),另外LSTM模型的預(yù)測(cè)曲線(xiàn)比GRU模型的預(yù)測(cè)曲線(xiàn)更好。圖10為廣西數(shù)據(jù)集的預(yù)測(cè)結(jié)果,其結(jié)果與圖9相似。

隨后對(duì)構(gòu)建的三層LSTM、GRU和改進(jìn)GRU神經(jīng)網(wǎng)絡(luò)模型改變訓(xùn)練使用的優(yōu)化器,采用adam優(yōu)化器,并且使用相同的數(shù)據(jù)集再次進(jìn)行訓(xùn)練以及測(cè)試,預(yù)測(cè)結(jié)果如圖11和圖12所示。

圖11 三層網(wǎng)絡(luò)模型使用adam優(yōu)化器預(yù)測(cè)在芬蘭數(shù)據(jù)集上的預(yù)測(cè)結(jié)果

圖12 三層網(wǎng)絡(luò)模型使用adam優(yōu)化器預(yù)測(cè)在芬蘭數(shù)據(jù)集上的預(yù)測(cè)結(jié)果

圖11為芬蘭數(shù)據(jù)集的預(yù)測(cè)結(jié)果,可以看出改進(jìn)GRU模型的預(yù)測(cè)曲線(xiàn)與真實(shí)數(shù)據(jù)更接近,而LSTM模型與GRU模型的預(yù)測(cè)曲線(xiàn)接近,圖12為廣西數(shù)據(jù)集的預(yù)測(cè)結(jié)果,可得出與圖11相似的結(jié)果。

4 模型性能分析

表2為采用芬蘭交管LAM數(shù)據(jù)集和廣西高速公路數(shù)據(jù)集在LSTM、GRU和改進(jìn)GRU模型進(jìn)行上述四組不同的訓(xùn)練的交通流預(yù)測(cè)指標(biāo)。

表2 不同方法上的交通流預(yù)測(cè)性能

對(duì)芬蘭交管部門(mén)LAM數(shù)據(jù)集的測(cè)試結(jié)果進(jìn)行分析。對(duì)于兩層神經(jīng)網(wǎng)絡(luò),采用RMSprop優(yōu)化器(訓(xùn)練1)時(shí),可以明顯看出改進(jìn)的GRU模型的各項(xiàng)預(yù)測(cè)指標(biāo)值均優(yōu)于LSTM模型和GRU模型;采用adam優(yōu)化器(訓(xùn)練2)時(shí),三個(gè)模型的各項(xiàng)預(yù)測(cè)指標(biāo)值均接近,無(wú)法分出性能優(yōu)劣;改進(jìn)的GRU模型在訓(xùn)練2中的RMSE、MAPE的值均大于使用訓(xùn)練1的值,而MAE值接近,因此改進(jìn)的GRU模型中使用adam優(yōu)化器的性能較使用RMSprop優(yōu)化器性能更差;在采用三層神經(jīng)網(wǎng)絡(luò)時(shí),明顯看出使用RMSprop優(yōu)化器(訓(xùn)練3)時(shí)三個(gè)指標(biāo)值均和LSTM模型接近,性能較差。因此著重分析兩層神經(jīng)網(wǎng)絡(luò)采用RMSprop優(yōu)化器(訓(xùn)練1)和三層神經(jīng)網(wǎng)絡(luò)采用adam優(yōu)化器(訓(xùn)練4)的性能,從表1可以看出訓(xùn)練4的RMSE、MAE和MAPE的值均小于訓(xùn)練1的指標(biāo)值。因此可以得出結(jié)論,在預(yù)測(cè)交通流量數(shù)據(jù)的時(shí)候,提出的改進(jìn)的GRU模型在三層神經(jīng)網(wǎng)絡(luò)采用adam優(yōu)化器的預(yù)測(cè)結(jié)果更好。

由表1可以看出,采用廣西高速公路數(shù)據(jù)集在訓(xùn)練1和訓(xùn)練2中GRU模型的三個(gè)指標(biāo)值均優(yōu)于LSTM模型和改進(jìn)GRU模型的指標(biāo)值,因此GRU模型的性能最差,而LSTM模型與改進(jìn)GRU三個(gè)指標(biāo)值接近,因此二者無(wú)法分出優(yōu)劣。在訓(xùn)練3和訓(xùn)練4的結(jié)果中均可以看到改進(jìn)的GRU模型性能更好,但訓(xùn)練4相比訓(xùn)練3結(jié)果更好。因此在廣西高速公路數(shù)據(jù)集上可以得出與芬蘭數(shù)據(jù)集上同樣的結(jié)論,且所提模型在廣西數(shù)據(jù)集上的測(cè)試結(jié)果更好。

5 結(jié)束語(yǔ)

(1)設(shè)計(jì)了改進(jìn)門(mén)控循環(huán)網(wǎng)絡(luò)的高速公路交通流預(yù)測(cè)模型,并與GRU、LSTM模型進(jìn)行對(duì)比,結(jié)果表明采用改進(jìn)GRU交通流預(yù)測(cè)模型所得結(jié)果與實(shí)際交通流量的變化趨勢(shì)更吻合。

(2)結(jié)合時(shí)序數(shù)據(jù)的時(shí)序特性比較LSTM、GRU和改進(jìn)GRU模型的性能差異,選取了改進(jìn)GRU作為最終預(yù)測(cè)模型,尚未考慮數(shù)據(jù)的空間相關(guān)性,沒(méi)有將天氣、道路占有率、車(chē)輛速率等一些因素作為預(yù)測(cè)的影響因素考慮在內(nèi),基于交通流的預(yù)測(cè)評(píng)價(jià)主要放在了模型預(yù)測(cè)的性能比較上,可能預(yù)測(cè)結(jié)果的精確度不高,需要構(gòu)建更加完善的模型,調(diào)節(jié)參數(shù),在未來(lái)的研究中,需要進(jìn)一步提高最終預(yù)測(cè)結(jié)構(gòu)的精確度。