基于改進(jìn)ICSO-LSTM方法的城市交通預(yù)測研究

摘? 要：為進(jìn)一步提高城市道路交通流量預(yù)測水平，降低城市擁堵度，提出一種基于改進(jìn)雞群算法優(yōu)化長短期記憶神經(jīng)網(wǎng)絡(luò)的城市交通預(yù)測方法——Improved Chicken Swarm Optimization Long Short-Term Memory（ICSO-LSTM）。首先，針對雞群算法存在收斂速度快、容易陷入局部最優(yōu)的問題，從非線性遞減的公雞位置更新、加權(quán)的母雞個(gè)體和自適應(yīng)的跟隨系數(shù)優(yōu)化三個(gè)方面進(jìn)行優(yōu)化；其次，建立了ICSO優(yōu)化LSTM網(wǎng)絡(luò)參數(shù)的預(yù)測模型；最后，將ICSO-LSTM用于交通流量預(yù)測中，仿真實(shí)驗(yàn)表明，該方法在城市交通流量方面具有較好的預(yù)測效果。

關(guān)鍵詞：雞群算法；長短期記憶神經(jīng)網(wǎng)絡(luò)；城市交通預(yù)測

中圖分類號(hào)：TP18；TP39? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2096-4706（2023）23-0151-06

Research on Urban Traffic Prediction Based on Improved ICSO-LSTM Method

CHEN Xuan

（Zhejiang Industry Polytechnic College， Shaoxing? 312000， China）

Abstract： In order to further improve traffic flow prediction on urban roads and reduce urban congestion， an urban traffic prediction method based on an Improved Chicken Swarm Optimization Long Short-Term Memory（ICSO-LSTM）. Firstly， the Chicken Swarm Optimization is optimized in three aspects， namely， nonlinear decreasing rooster position update， weighted hen individual and adaptive following coefficient optimization， to address the problem that the Chicken Swarm Optimization has a fast convergence rate and easily falls into local optimum; secondly， the prediction model of ICSO optimized LSTM network parameters is established; finally， ICSO-LSTM is used in traffic flow prediction， and simulation experiments show that the method has good predictive performance in urban traffic flow prediction.

Keywords： Chicken Swarm Optimization; Long Short-term Memory Network; urban transportation forecast

0? 引? 言

隨著5G技術(shù)、云計(jì)算技術(shù)的不斷發(fā)展，智能交通系統(tǒng)已經(jīng)成為當(dāng)前數(shù)字化治理城市交通的重要方法之一，如何構(gòu)建合理、精確、有效的交通流預(yù)測模型是后續(xù)開展交通預(yù)測工作的重要保證。由于交通流量具有非線性、隨機(jī)性等特點(diǎn)，導(dǎo)致早期采用的歷史平均法[1]、卡爾曼濾波模型[2]和移動(dòng)平均法[3]等方法已經(jīng)無法適應(yīng)當(dāng)前城市交通預(yù)測。神經(jīng)網(wǎng)絡(luò)的出現(xiàn)能夠?yàn)楫?dāng)前的交通流量預(yù)測提供一種有益的嘗試。文獻(xiàn)[4]提出了一種融合多特征的CNN-BiLSTM-AM組合模型，旨在提升模型在交通流量預(yù)測準(zhǔn)確度上的表現(xiàn)，實(shí)驗(yàn)結(jié)果表明該模型具備準(zhǔn)確預(yù)測交通流量的能力，各項(xiàng)誤差指標(biāo)均有明顯下降。文獻(xiàn)[5]建立基于時(shí)間特征的TSO-LSTM的預(yù)測模型；實(shí)驗(yàn)仿真結(jié)果表明該方法提出的交互預(yù)測方法在RMSE、MAPE和MAE等方面均有明顯優(yōu)勢；文獻(xiàn)[6]提出了一種堆疊長短期記憶（Long Short-term Memory， LSTM）神經(jīng)網(wǎng)絡(luò)來執(zhí)行此任務(wù)，該方法以堆疊的結(jié)構(gòu)增加神經(jīng)網(wǎng)絡(luò)的深度，從而提高預(yù)測的準(zhǔn)確性，結(jié)果表明所提出方法優(yōu)于常用的機(jī)器學(xué)習(xí)和經(jīng)典的LSTM方法；文獻(xiàn)[7]提出一種高精度基于深度學(xué)習(xí)的并行卷積神經(jīng)網(wǎng)絡(luò)交通流量大數(shù)據(jù)預(yù)測模型，實(shí)驗(yàn)結(jié)果表明其提出的模型在平均絕對誤差、平均相對誤差和均方根誤差方面均優(yōu)于所對比的方法；文獻(xiàn)[8]提出了一種ARIMA與SVM的組合預(yù)測模型，仿真結(jié)果表明與單一預(yù)測模型的預(yù)測效果相比，該組合預(yù)測模型的精確性更高，可靠性更強(qiáng)；文獻(xiàn)[9]提出了一種時(shí)空注意圖卷積網(wǎng)絡(luò)，結(jié)果表明STAGCN優(yōu)于其他現(xiàn)有的方法；文獻(xiàn)[10]提出一種交通車流量區(qū)間預(yù)測優(yōu)化算法，即SSA-BP預(yù)測算法，實(shí)驗(yàn)說明算法具有良好的泛化能力，能夠更好地反映交通流量的變化。

基于以上學(xué)者的研究成果，本文提出了一種基于改進(jìn)的雞群算法優(yōu)化LSTM的預(yù)測方法，通過對雞群算法的非線性遞減的公雞位置更新、加權(quán)的母雞個(gè)體和自適應(yīng)的跟隨系數(shù)優(yōu)化提高了算法性能，并將該算法用于優(yōu)化LSTM網(wǎng)絡(luò)參數(shù)，仿真結(jié)果表明該預(yù)測模型具有較好的預(yù)測效果。

1? 基本知識(shí)

1.1? 交通預(yù)測應(yīng)用模型

目前有許多交通預(yù)測應(yīng)用模型可用于預(yù)測交通流量、擁堵情況和出行時(shí)間等交通相關(guān)指標(biāo)。常見的模型如下：1）基于時(shí)間序列的模型：這類模型使用歷史交通數(shù)據(jù)來建立時(shí)間序列模型，如自回歸移動(dòng)平均模型（ARIMA）、季節(jié)性自回歸移動(dòng)平均模型（SARIMA）和指數(shù)平滑模型等。它們適用于對短期交通趨勢進(jìn)行預(yù)測，并能捕捉到一些周期性和季節(jié)性的變化。2）機(jī)器學(xué)習(xí)模型：包括回歸模型、支持向量機(jī)（SVM）、隨機(jī)森林（Random Forest）和神經(jīng)網(wǎng)絡(luò)等。這些模型可以從歷史數(shù)據(jù)中學(xué)習(xí)交通模式和特征，并進(jìn)行預(yù)測。機(jī)器學(xué)習(xí)模型通常能夠處理更復(fù)雜的非線性關(guān)系，并具有較強(qiáng)的預(yù)測能力。3）深度學(xué)習(xí)模型：深度學(xué)習(xí)模型如循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、長短期記憶網(wǎng)絡(luò)（LSTM）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）等在交通預(yù)測中表現(xiàn)出色。這些模型能夠處理時(shí)間序列數(shù)據(jù)和空間特征，能夠?qū)W習(xí)更復(fù)雜的交通模式，并具有較強(qiáng)的泛化能力。4）基于傳感器數(shù)據(jù)的模型：這些模型使用交通傳感器（如交通流量傳感器、攝像頭和地磁傳感器）收集的實(shí)時(shí)數(shù)據(jù)進(jìn)行交通預(yù)測。傳感器數(shù)據(jù)可以提供更準(zhǔn)確的實(shí)時(shí)信息，使得預(yù)測更具實(shí)時(shí)性和精確性。5）基于地理位置數(shù)據(jù)的模型：這些模型使用地理信息系統(tǒng)（GIS）數(shù)據(jù)、地理位置數(shù)據(jù)和地圖數(shù)據(jù)等來預(yù)測交通狀況。通過考慮到道路網(wǎng)絡(luò)拓?fù)洹⒙范螌傩院偷缆窊矶碌纫蛩兀@類模型能夠提供更準(zhǔn)確的交通預(yù)測。

這些交通預(yù)測應(yīng)用模型各有其特點(diǎn)，選用適合的模型取決于數(shù)據(jù)可用性、預(yù)測精度需求和實(shí)際應(yīng)用場景。在實(shí)際使用中，通常會(huì)結(jié)合多種模型或方法來提高預(yù)測精度，并根據(jù)實(shí)際情況進(jìn)行參數(shù)調(diào)優(yōu)和模型優(yōu)化。

1.2? 雞群算法

雞群算法是一種模擬大自然中群體捕食的算法，它的核心思想是根據(jù)設(shè)定的等級和覓食方式將雞群分為若干個(gè)子群，而在每一個(gè)子群中保留一只公雞。由于設(shè)定的不同等級規(guī)則導(dǎo)致不同雞子群之間形成了一種競爭關(guān)系。在雞群算法中，我們將適應(yīng)度值最優(yōu)的個(gè)體視為公雞，適應(yīng)度值最差的個(gè)體為小雞，適應(yīng)度值適中的個(gè)體為母雞。而母雞具有選擇任何一個(gè)子群的權(quán)利，并且母雞和小雞之間的關(guān)系并不是固定關(guān)系，更新后才會(huì)發(fā)生改變。因此，在每個(gè)子群中，群內(nèi)個(gè)體圍繞公雞尋找食物。

設(shè)定雞群的群體數(shù)量為N，空間維度為D，個(gè)體i在第j維中第t次迭代所在位置為 。公雞、母雞和小雞的位置表示如下。

1.2.1? 公雞位置

公雞是每一個(gè)子群中適應(yīng)度值最好的，并且在子群中處于引領(lǐng)的位置，具體的位置更新為：

式（1）與式（2）中，Randn（0，σ2）表示均值為0，標(biāo)準(zhǔn)差為σ的正態(tài)分布，ε表示一個(gè)保證分母不為0的常數(shù)，fi和fk分別表示當(dāng)前第i、k只公雞的目標(biāo)函數(shù)值。

1.2.2? 母雞的位置

母雞是每一個(gè)子群中數(shù)量最多的個(gè)體，在覓食過程中，母雞主要在公雞附近搜尋食物，母雞的位置更新公式如下：

在式（3）至式（5）中，Rand表示數(shù)值為0.5的隨機(jī)數(shù)，而r1表示子群中的第i只母雞所對應(yīng)的公雞個(gè)體，r2表示在整個(gè)雞群中，任意選擇的公雞和母雞的個(gè)體，且存在r1 ≠ r2關(guān)系。

小雞的位置在每一個(gè)子群中，小雞都會(huì)跟隨在母雞身邊進(jìn)行覓食，位置更新如下：

式（6）中，m表示在該子群中第i只小雞對應(yīng)的母雞個(gè)體，而采用F表示跟隨系數(shù)，用來說明小雞跟隨母雞一起尋找食物的過程。

1.3? LSTM神經(jīng)網(wǎng)絡(luò)

長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）是Hochreiter和Schmidhuber在1997年提出的一種新的神經(jīng)網(wǎng)絡(luò)模型，結(jié)構(gòu)如圖1所示，其本質(zhì)是Rc-current Neural Network（RNN）神經(jīng)網(wǎng)絡(luò)的一種變體。RNN在時(shí)序預(yù)測方面取得不錯(cuò)效果，但是反向傳播的梯度問題依然存在，而LSTM解決了這個(gè)問題，它能夠緩解訓(xùn)練過程中出現(xiàn)的這種梯度消失現(xiàn)象，從總體來說更加適合用來處理交通流量數(shù)據(jù)。該模型的公式表達(dá)如下：

式中，xt表示該層輸入的t時(shí)刻的數(shù)據(jù)，ht表示該層輸入的t時(shí)刻的隱藏信息，ft表示遺忘門，it表示輸入門，ot表示輸出門，ct表示記憶細(xì)胞，W和U表示權(quán)值，b表示偏移量，σ和Tanh分別表示Sigmoid和Tanh激活函數(shù)。

2? 基于改進(jìn)的雞群算法的交通流量預(yù)測模型

2.1? 改進(jìn)的雞群算法

2.1.1? 基于非線性遞減的公雞位置更新

在雞群算法中，公雞個(gè)體的位置非常重要，它決定著算法解的最優(yōu)值的效果，但是從個(gè)體位置的更新中發(fā)現(xiàn)公雞的位置缺乏及時(shí)的和全局的個(gè)體解進(jìn)行對比，這樣使得算法的局部解和全局解無法及時(shí)有效地進(jìn)行平衡，為了改進(jìn)這種情況，我們在公雞位置的更新中引入了非線性學(xué)習(xí)因子公式：

在式（13）和式（14）中，t表示當(dāng)前迭代次數(shù)，tmax表示最大迭代次數(shù)，wmax和wmin分別表示學(xué)習(xí)因子的最大值和最小值。W（）表示學(xué)習(xí)因子，因此公雞個(gè)體的位置更新為：

2.1.2? 基于加權(quán)的母雞個(gè)體

在雞群算法中，每一個(gè)母雞在子群的搜索空間中尋找適應(yīng)度值最好的公雞并向其靠攏，這樣導(dǎo)致算法在迭代的過程中容易出現(xiàn)個(gè)體聚集而喪失了獲得更多解的可能性，為了避免算法陷入局部最優(yōu)，本文提出了基于加權(quán)思想的母雞個(gè)體，該加權(quán)后的個(gè)體能夠在整個(gè)雞群中一起尋找整個(gè)種群最優(yōu)個(gè)體的位置，從而能夠幫助個(gè)體跳出局部最優(yōu)，從而保障算法獲得更好的解。加權(quán)的公式如下所示：

式（16）和式（17）中， 表示母雞個(gè)體i在第t次迭代時(shí)候的位置， 表示母雞個(gè)體i的適應(yīng)度值， 表示在第t次迭代后的歸一化的適應(yīng)度值作為加權(quán)系數(shù)， 表示在第t次迭代時(shí)候母雞群體中加權(quán)中心的位置，H表示母雞個(gè)數(shù)。

2.1.3? 基于自適應(yīng)的跟隨系數(shù)優(yōu)化

從小雞的位置更新的公式中發(fā)現(xiàn)，跟隨系數(shù)是由人為設(shè)定的，其作用是保證在子群范圍中小雞跟隨母雞，由于小雞個(gè)體的適應(yīng)度值是最差的，因此如何提高小雞個(gè)體位置更新就顯得非常的重要。在小雞位置更新的過程中，當(dāng)跟隨系數(shù)的數(shù)值結(jié)果較大的時(shí)候，就會(huì)造成算法在迭代后期產(chǎn)生較為嚴(yán)重的震蕩現(xiàn)象，從而影響算法的運(yùn)行速度，使得算法精度隨著降低。反之，則會(huì)避免算法產(chǎn)生震蕩，使得算法的求解精度逐步上升。從這里可以發(fā)現(xiàn)，跟隨系數(shù)的設(shè)置關(guān)系到整個(gè)雞群算法的性能，為了避免這種情況的發(fā)生，本文提出了一種自適應(yīng)步長的思想，這種思想可以使得在算法初期，小雞位置的變換比較小，借助較大的步長可以快速地向個(gè)體的局部最優(yōu)值靠近，使得算法的收斂速度得到提升。隨著算法的不斷運(yùn)行，自適應(yīng)步長數(shù)值逐漸減少，這樣能夠保證小雞在自身周圍不斷地進(jìn)行優(yōu)化處理，慢慢向著最優(yōu)解靠攏。通過自適應(yīng)思想的調(diào)節(jié)，一方面可以擴(kuò)大搜索的范圍，另一個(gè)方面提升了解的搜索精度，進(jìn)一步提高了解的質(zhì)量。跟隨系數(shù)的變化公式為：

式（18）中，t表示當(dāng)前迭代的次數(shù)，tmax表示設(shè)定的最大迭代次數(shù)， 和? 分別表示個(gè)體i當(dāng)前迭代過程中的適應(yīng)度值最大值和最小值， 表示個(gè)體i的適應(yīng)度值。

2.2? 預(yù)測模型

通過對某一個(gè)路口的歷史交通流量數(shù)據(jù)的學(xué)習(xí)，預(yù)測下一個(gè)階段的交通流量。本文使用LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行交通流量的預(yù)測，但是由于該神經(jīng)網(wǎng)絡(luò)的超參數(shù)的不確定性會(huì)影響預(yù)測精度，為了避免這種情況的發(fā)生，本文使用了改進(jìn)的雞群算法去優(yōu)化隱含層中的神經(jīng)元個(gè)數(shù)、學(xué)習(xí)速率等參數(shù)。具體流程如圖2所示。

步驟1：數(shù)據(jù)預(yù)處理。將收集的數(shù)據(jù)按照神經(jīng)網(wǎng)絡(luò)預(yù)測特點(diǎn)分為訓(xùn)練集、驗(yàn)證集和測試集，并進(jìn)行歸一化處理。

步驟2：構(gòu)建并行處理子模型。設(shè)置預(yù)測輸入數(shù)據(jù)量為M，分別用前3個(gè)、前6個(gè)、前9個(gè)交通流數(shù)據(jù)對下一個(gè)階段的交通流數(shù)據(jù)進(jìn)行預(yù)測。

步驟3：算法種群初始化。將雞群個(gè)體進(jìn)行隨機(jī)設(shè)置。

步驟4：模型求解。將LSTM的預(yù)測結(jié)果的均方根誤差作為雞群個(gè)體的適應(yīng)度函數(shù)。

步驟5：算法更新。在雞群算法中分別采用非線性遞減的公雞位置更新、加權(quán)的母雞個(gè)體和自適應(yīng)的跟隨系數(shù)優(yōu)化。

步驟6：判斷是否達(dá)到最大迭代次數(shù)，如果沒有達(dá)到最大迭代次數(shù)，則轉(zhuǎn)步驟4，否則終止算法，輸出最優(yōu)值。

3? 仿真實(shí)驗(yàn)

為了更好地說明本文算法的效果，本文首先采用國際公開的流量數(shù)據(jù)庫作為理論測試來源，該數(shù)據(jù)庫是美國加州某條公路2020年1月27日到2月25日的數(shù)據(jù)，時(shí)間間隔為5 min，將獲得的實(shí)驗(yàn)設(shè)置按照8：1：1的比例分配給訓(xùn)練集、驗(yàn)證集和測試數(shù)據(jù)集合。其次，選擇實(shí)際場景中的紹興市區(qū)的山會(huì)大道和解放路的交叉口（如圖3所示）作為研究對象，收集2023年6月1日至6月10日的車流量數(shù)據(jù)，時(shí)間間隔為10 min。本文選擇CPU為酷睿I7，內(nèi)存為8GDDR4，硬盤為1 TB容量，軟件選擇Windows 10系統(tǒng)，軟件為MATLAB 2012。

3.1? 評價(jià)標(biāo)準(zhǔn)

交通流量預(yù)測的效果主要依靠真實(shí)的實(shí)際值和方法產(chǎn)生的預(yù)測值的差值進(jìn)行反映。目前，在交通流量預(yù)測中，主要采用MAE、RMSE和MAPE作為指標(biāo)。公式分別為：

在以上公式中，Yi表示第i個(gè)交通流量數(shù)據(jù)的預(yù)測的數(shù)值，yi表示第i個(gè)交通流量數(shù)據(jù)的實(shí)際數(shù)值，N表示交通流量數(shù)據(jù)的數(shù)量。

3.2? 改進(jìn)后的雞群算法性能分析

為了更好地展示改進(jìn)后的雞群算法的性能，本文采用ICSO和CSO分別優(yōu)化小波神經(jīng)網(wǎng)絡(luò)（WNN）和LSTM，采用美國加州某公路作為數(shù)據(jù)進(jìn)行交通流量預(yù)測，兩種算法都采用統(tǒng)一的種群數(shù)量，設(shè)置迭代次數(shù)為100。圖4顯示了兩種算法的適應(yīng)度數(shù)值的變化。表1顯示了在不同的數(shù)據(jù)流量下的兩種算法預(yù)測指標(biāo)的對比。

從圖4中發(fā)現(xiàn)，兩種算法隨著迭代次數(shù)的逐漸增多，適應(yīng)度值都呈現(xiàn)下降趨勢，而本文算法的適應(yīng)度值優(yōu)于CSO算法，這說明經(jīng)過優(yōu)化后的算法具有較好的性能。表1的結(jié)果中發(fā)現(xiàn)，本文算法在WNN和LSTM方面都具有較好的預(yù)測效果，預(yù)測誤差數(shù)值相比于CSO具有一定的優(yōu)勢，這說明本文算法具有較好的優(yōu)勢。但同時(shí)也發(fā)現(xiàn)WNN和LSTM存在超參數(shù)選擇不合理而導(dǎo)致預(yù)測效果不佳的問題，雖然CSO對其分別進(jìn)行了優(yōu)化，但由于自身性能的問題，使得誤差精度無法進(jìn)一步提高，而ICSO算法通過非線性遞減的公雞位置更新、加權(quán)的母雞個(gè)體和自適應(yīng)的跟隨系數(shù)優(yōu)化等一系列措施，提高了算法的性能，使得誤差精度明顯降低。

3.3? 基于ICSO-LSTM的模型預(yù)測效果分析

為了進(jìn)一步驗(yàn)證本文提出的ICSO-LSTM預(yù)測性能，我們選擇了支持向量機(jī)（SVM）、小波神經(jīng)網(wǎng)絡(luò)（WNN）、LSTM、ICSO-WNN、ICSO-LSTM作為對比算法，將紹興市道路路口的車流量評價(jià)指標(biāo)進(jìn)行對比，如圖5至圖7所示。

從圖中發(fā)現(xiàn)，ICSO-LSTM算法下的三種預(yù)測評價(jià)指標(biāo)的數(shù)值都為最小值，相比于SVM和WNN具有明顯的優(yōu)勢，相比于LSTM在M = 3和M = 9的RMSE數(shù)值結(jié)果幾乎相等，而在MAE和MAPE具有明顯的優(yōu)勢，說明了ICSO-LSTM算法具有較好的預(yù)測效果。

4? 結(jié)? 論

針對當(dāng)前交通流量預(yù)測精度有待進(jìn)一步提升的問題，提出了一種基于改進(jìn)的雞群算法優(yōu)化長短期記憶神經(jīng)網(wǎng)絡(luò)的城市交通預(yù)測方法（ICSO-LSTM），與傳統(tǒng)的WNN、LSTM 模型預(yù)測對比，該方法均具有較好的預(yù)測效果，進(jìn)一步說明了該方法對于城市交通流量的預(yù)測具有一定的預(yù)測優(yōu)勢。

參考文獻(xiàn)：

[1] JEFFERY D J，RUSSAM K，ROBERTSON D L. Electronic Route Guidance by AUTOGUIDE; The Research Background [J].Traffic Engineering and Control，1987，28（10）：525-529.

[2] OKUTANI I，STEPHANEDES Y J. Dynamic prediction of traffic volume through Kalman filtering theory [J].Transportation Research Part B：Methodological，1984，18（1）：1-11.

[3] 劉靜，關(guān)偉.交通流預(yù)測方法綜述 [J].公路交通科技，2004（3）：82-85.

[4] 孫加新，惠飛，張凱望，等.基于CNN-BiLSTM-AM模型的交通流量預(yù)測 [J].計(jì)算機(jī)技術(shù)與發(fā)展，2023，33（2）：32-37+43.

[5] 孫寶華，謝生曼，楊剛.一種基于時(shí)空特征的短時(shí)交通流量交互預(yù)測方法 [J].電子技術(shù)與軟件工程，2022（24）：229-233.

[6] 李楷，黃少偉.基于堆疊LSTM神經(jīng)網(wǎng)絡(luò)的短期交通流量預(yù)測 [J].肇慶學(xué)院學(xué)報(bào)，2022，43（5）：79-84+89.

[7] 周思吉，錢真坤.基于深度學(xué)習(xí)的高精度交通流量大數(shù)據(jù)預(yù)測 [J].西南師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2022，47（8）：9-15.

[8] 陳昆，曲大義，賈彥峰，等.基于ARIMA-SVM模型的短時(shí)交通流量預(yù)測研究 [J].青島理工大學(xué)學(xué)報(bào)，2022，43（5）：104-109.

[9] 李志鵑.時(shí)空注意圖卷積網(wǎng)絡(luò)的交通流量預(yù)測研究 [J].智能計(jì)算機(jī)與應(yīng)用，2022，12（11）：253-257+261.

[10] 姚潔，邱勁.基于SSA-BP算法的道路交通流量預(yù)測研究 [J].西南大學(xué)學(xué)報(bào)：自然科學(xué)版，2022，44（10）：193-201.

作者簡介：陳暄（1979.03—），男，漢族，安徽祁門人，教師，副教授，碩士，研究方向：數(shù)字技術(shù)賦能、智能交通。

收稿日期：2023-07-03

基金項(xiàng)目：紹興市哲學(xué)社會(huì)科學(xué)研究“十四五”規(guī)劃2023年度重點(diǎn)課題——基地智庫專項(xiàng)課題（145J069）