基于PSO-LSTM的短時(shí)交通流量預(yù)測(cè)網(wǎng)站設(shè)計(jì)

王寧 成利敏 甄景濤 段曉霞

【摘? ?要】? ?短時(shí)交通流量預(yù)測(cè)是智能交通系統(tǒng)中的重要環(huán)節(jié)，選用在短時(shí)交通流量預(yù)測(cè)方面表現(xiàn)出色的LSTM神經(jīng)網(wǎng)絡(luò)，并利用PSO算法優(yōu)化LSTM神經(jīng)網(wǎng)絡(luò)模型。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)LSTM模型相比，所構(gòu)建的PSO-LSTM模型對(duì)未來(lái)5分鐘和10分鐘兩種短時(shí)交通流量預(yù)測(cè)，達(dá)到了更高的準(zhǔn)確率。在此基礎(chǔ)上，設(shè)計(jì)了一個(gè)交通流量預(yù)測(cè)網(wǎng)站更好地展示了預(yù)測(cè)結(jié)果，也方便用戶隨時(shí)查詢。

【關(guān)鍵詞】? ?智能交通系統(tǒng)；短時(shí)交通流量預(yù)測(cè)；LSTM神經(jīng)網(wǎng)絡(luò)；PSO算法；交通流量預(yù)測(cè)網(wǎng)站

Design of a Short Term Traffic Flow Prediction Website Based on PS0-LSTM

Wang Ning， Cheng Limin， Zhen Jingtao， Duan Xiaoxia

（Langfang Normal University， Langfang 065000， China）

【Abstract】? ? Short term traffic flow prediction is an important part of intelligent transportation systems. This article selects the LSTM neural network that performs well in short-term traffic flow prediction， and uses the PSO algorithm to optimize the LSTM neural network model. Experiments have shown that the PSO-LSTM model constructed in this paper achieves higher accuracy in predicting short-term traffic flow for the next 5 minutes and the next 10 minutes compared with traditional LSTM models. On this basis， in order to better display the prediction results and facilitate users to query at any time， the author specifically designed a city traffic flow prediction website， which has certain practical application value.

【Key words】? ? ?intelligent transportation system; short term traffic flow prediction; LSTM neural network; PSO algorithm; traffic flow prediction website

〔中圖分類號(hào)〕? TP311.1? ? ? ? ? ? ? ? ?〔文獻(xiàn)標(biāo)識(shí)碼〕? A ? ? ? ? ? ? ?〔文章編號(hào)〕 1674 - 3229（2024）01- 0029 - 04

0? ? ?引言

隨著我國(guó)智能交通系統(tǒng)的飛速發(fā)展，道路交通流量預(yù)測(cè)作為其重要組成部分，受到廣泛關(guān)注［1］。交通流量預(yù)測(cè)分為長(zhǎng)時(shí)預(yù)測(cè)與短時(shí)預(yù)測(cè)，長(zhǎng)時(shí)預(yù)測(cè)可以選擇以小時(shí)、天、月或者年為時(shí)間單位；短時(shí)預(yù)測(cè)一般預(yù)測(cè)時(shí)間不超過(guò)15分鐘［2］。準(zhǔn)確的交通流量預(yù)測(cè)一方面可以幫助出行者更好地制定出行方案，盡量避開擁堵；另一方面對(duì)于交通管理、道路規(guī)劃等也具有重要意義。

筆者曾設(shè)計(jì)了一個(gè)城市交通流量預(yù)測(cè)網(wǎng)站，通過(guò)該網(wǎng)站可查詢以小時(shí)為時(shí)間單位的交通流量預(yù)測(cè)結(jié)果［3］。在此基礎(chǔ)上，本文針對(duì)短時(shí)交通流量預(yù)測(cè)方法展開研究，并將短時(shí)預(yù)測(cè)結(jié)果也添加到該網(wǎng)站，使網(wǎng)站功能更加全面，更具有實(shí)際應(yīng)用意義。

近年，基于人工神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流量預(yù)測(cè)方法成為研究熱點(diǎn)，在眾多神經(jīng)網(wǎng)絡(luò)中，長(zhǎng)短期記憶（Long Short-Term Memory， LSTM）網(wǎng)絡(luò)展現(xiàn)出優(yōu)勢(shì)。LSTM是循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network， RNN）的改進(jìn)方法，克服了RNN梯度消失或爆炸的缺點(diǎn)，能有效捕捉時(shí)間序列數(shù)據(jù)中復(fù)雜的依賴關(guān)系，挖掘前后數(shù)據(jù)間的聯(lián)系。經(jīng)多位學(xué)者研究證實(shí)，LSTM神經(jīng)網(wǎng)絡(luò)適用于短時(shí)交通流量預(yù)測(cè)［4-5］。

為更好地解決傳統(tǒng)LSTM模型在超參數(shù)選擇方面的局限性，提出通過(guò)PSO算法優(yōu)化LSTM模型，在數(shù)據(jù)預(yù)測(cè)方面取得了不錯(cuò)的效果［6-7］。因此本文將PSO-LSTM模型應(yīng)用于短時(shí)交通流量預(yù)測(cè)，實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)LSTM對(duì)比，PSO-LSTM方法具有更高的準(zhǔn)確率。

1? ? ?LSTM神經(jīng)網(wǎng)絡(luò)

LSTM神經(jīng)網(wǎng)絡(luò)是一種引入記憶單元（Memory Cell， C）和門控機(jī)制的特殊循環(huán)神經(jīng)網(wǎng)絡(luò)，其單元結(jié)構(gòu)如圖1所示［8］。

[tanh][tanh]

圖1? ?LSTM神經(jīng)網(wǎng)絡(luò)單元結(jié)構(gòu)圖

圖1中包含三種“門”結(jié)構(gòu)，分別為遺忘門（Forget Gate， ft）、輸入門（Input Gate， it）、輸出門（Output Gate， ot），其表達(dá)式分別為：

[ft=σ（Wf[ht-1，xt]+bf）]? ? ? ? ? ? ? ? ? ? ? ? ? ?（1）

[it=σ（Wi[ht-1，xt]+bi）]? ? ? ? ? ? ? ? ? ? ? ? ? （2）

[ot=σ（Wo[ht-1，xt]+bo）]? ? ? ? ? ? ? ? ? ? ? ? ? ?（3）

上式中[σ]表示Sigmoid激活函數(shù)，Wf、Wi、Wo和bf、bi、bo分別代表三種“門”的權(quán)重矩陣和偏置向量，xt和ht-1則表示當(dāng)前時(shí)刻的輸入和前一時(shí)刻隱藏層狀態(tài)。由此可得當(dāng)前時(shí)刻的單元狀態(tài)Ct為公式（4）所示，式中Wc和bc為對(duì)應(yīng)權(quán)重矩陣和偏置向量，Ct-1為前一時(shí)刻的單元狀態(tài)，tanh為雙曲正切激活函數(shù)。

[Ct=ftCt-1+ittanh（Wc[ht-1，xt]+bc）]? ? ? ? ? ? ? ? （4）

因此當(dāng)前時(shí)刻輸出ht為：

[ht=ot×tanh（Ct）]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （5）

綜上所述，LSTM采用“門控”思想對(duì)信息實(shí)現(xiàn)選擇性記憶，完成了信息的有效篩選，能夠高效捕捉到序列中的依賴關(guān)系，在短時(shí)交通流量預(yù)測(cè)方面表現(xiàn)優(yōu)異。

2? ? ?PSO算法

粒子群算法（Particle Swarm Optimization， PSO）也稱為粒子群優(yōu)化算法或鳥群覓食算法，該算法是受到鳥群捕食規(guī)律的啟發(fā)，利用群體中個(gè)體間的協(xié)調(diào)合作和信息共享來(lái)尋找最優(yōu)解，PSO算法具體實(shí)現(xiàn)步驟如圖2所示［9］。

[pbest][gbest]

圖2? ?PSO算法流程圖

首先初始化粒子群，每一個(gè)粒子表示求解問(wèn)題的一個(gè)可能解，關(guān)注其適應(yīng)度、速度、位置三個(gè)指標(biāo)，通過(guò)多次迭代尋求最優(yōu)結(jié)果。每一次迭代時(shí)，粒子速度和位置的更新是依據(jù)兩個(gè)“最優(yōu)解”，即個(gè)體最優(yōu)解pbest和群體最優(yōu)解gbest，具體公式如下［10］：

[vk+1i=vki+c1r1（pbestki-xki）+c2r2（gbestk-xki）]? ? ? ? （6）

[xk+1i=xki+vk+1i]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（7）

上式中[vk+1i]和[vki]為粒子i在第k+1次和第k次迭代時(shí)的速度；[xk+1i]和[xki]為粒子i在第k+1次和第k次迭代時(shí)的位置；c1和 c2為加速因子，其中c1代表粒子奔向個(gè)體最優(yōu)位置的加速權(quán)重，c2代表粒子奔向群體最優(yōu)位置的加速權(quán)重；r1和 r2是［0，1］區(qū)間內(nèi)的隨機(jī)數(shù)。本文利用PSO算法對(duì)LSTM模型中兩個(gè)LSTM層的神經(jīng)元個(gè)數(shù)進(jìn)行尋優(yōu)，參數(shù)設(shè)置為粒子群個(gè)數(shù)為8，最大迭代次數(shù)為8，加速因子c1= c2=1.5。

3? ? ?基于PSO-LSTM的短時(shí)交通流量預(yù)測(cè)

3.1? ?預(yù)測(cè)模型

本文利用PSO算法優(yōu)化LSTM神經(jīng)網(wǎng)絡(luò)模型，構(gòu)建PSO-LSTM短時(shí)交通流量預(yù)測(cè)模型，利用前N個(gè)時(shí)間單元的已知交通流量數(shù)據(jù)來(lái)預(yù)測(cè)第N+1個(gè)時(shí)間單元的交通流量，實(shí)驗(yàn)時(shí)選擇N=12，時(shí)間單元分為5分鐘、10分鐘。

所搭建的PSO-LSTM短時(shí)交通流量預(yù)測(cè)模型如圖3所示。首先數(shù)據(jù)預(yù)處理階段要對(duì)數(shù)據(jù)進(jìn)行歸一化處理，對(duì)應(yīng)的最終輸出預(yù)測(cè)結(jié)果需要進(jìn)行反歸一化處理。之后構(gòu)建的LSTM模型包含兩層LSTM結(jié)構(gòu)，為避免過(guò)擬合，每個(gè)LSTM層后都有Dropout層，Dropout比率設(shè)置為0.1。最后Dense層設(shè)置神經(jīng)元個(gè)數(shù)為1，是因?yàn)樽罱K輸出為預(yù)測(cè)的第N+1個(gè)時(shí)間單元的交通流量。

圖3? ?搭建的PSO-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型圖

兩個(gè)LSTM層中神經(jīng)元個(gè)數(shù)neurons1和neurons2的取值對(duì)模型性能起到至關(guān)重要的作用，所以設(shè)置neurons1和neurons2為待優(yōu)化超參數(shù)，利用PSO算法得到兩個(gè)最優(yōu)超參數(shù)，由此構(gòu)建PSO-LSTM短時(shí)交通流量預(yù)測(cè)模型。

3.2? ?預(yù)測(cè)結(jié)果分析

為驗(yàn)證本文方法的準(zhǔn)確性，選擇了智能交通領(lǐng)域廣泛使用的公開數(shù)據(jù)庫(kù)Caltrans PeMS（California Department of Transportation Performance Measurement System），在PeMS系統(tǒng)上可下載美國(guó)加利福尼亞州多年的真實(shí)交通數(shù)據(jù)。本文實(shí)驗(yàn)數(shù)據(jù)為PeMS系統(tǒng)識(shí)別號(hào)為403349 的干線檢測(cè)站從2023年3月15日至30日，共16天的交通流量數(shù)據(jù)，采集時(shí)間間隔為5分鐘，共4608個(gè)交通流量數(shù)據(jù)。

時(shí)間單元為5分鐘時(shí)，訓(xùn)練集為2023年3月22日至28日，共2016個(gè)交通流量數(shù)據(jù)，測(cè)試集為29日，共288個(gè)數(shù)據(jù)。測(cè)試集實(shí)驗(yàn)結(jié)果如圖4所示，實(shí)線代表真實(shí)值，虛線為預(yù)測(cè)值。橫軸為時(shí)間，表示29日01：00：00至23：59：59共276個(gè)5分鐘，縱軸表示交通流量。如圖4可見(jiàn)，兩條曲線走勢(shì)基本一致，證明本文方法準(zhǔn)確度較高。

圖4? ?預(yù)測(cè)值與真實(shí)值對(duì)比曲線圖（時(shí)間單元為5分鐘）

利用下載的時(shí)間間隔為5分鐘的交通流量數(shù)據(jù)生成時(shí)間間隔為10分鐘的數(shù)據(jù)，因此時(shí)間單元為10分鐘時(shí)，訓(xùn)練集為2023年3月15日至28日，共2016個(gè)數(shù)據(jù)，測(cè)試集為29日和30日，共288個(gè)數(shù)據(jù)。針對(duì)該測(cè)試集實(shí)驗(yàn)結(jié)果如圖5所示，橫軸表示29日02：00：00至30日23：59：59共276個(gè)10分鐘。如圖5可見(jiàn)，預(yù)測(cè)值與真實(shí)值相差不大，整體走勢(shì)基本相符，再次證明本文方法的準(zhǔn)確度。

圖5? ?預(yù)測(cè)值與真實(shí)值對(duì)比曲線圖（時(shí)間單元為10分鐘）

將本文構(gòu)建的PSO-LSTM模型與傳統(tǒng)LSTM模型對(duì)比，計(jì)算平均絕對(duì)誤差（Mean Absolute Error， MAE）和均方根誤差（Root Mean Square Error， RMSE）兩種評(píng)價(jià)指標(biāo)，實(shí)驗(yàn)結(jié)果見(jiàn)表1。表1分別展示了時(shí)間單元為5分鐘和10分鐘兩種情況下的實(shí)驗(yàn)結(jié)果，可見(jiàn)PSO-LSTM所得RMSE和MAE的值都小于傳統(tǒng)LSTM模型所得RMSE和MAE值，兩種情況下，PSO-LSTM模型均表現(xiàn)更好。

表1? ?兩種模型實(shí)驗(yàn)結(jié)果對(duì)比

[模型 5分鐘 10分鐘 RMSE MAE RMSE MAE LSTM 22.49 17.33 43.66 32.34 PSO-LSTM 20.94 16.15 41.01 30.01 ]

4? ? ? 基于PSO-LSTM的短時(shí)交通流量預(yù)測(cè)網(wǎng)站設(shè)計(jì)

筆者之前設(shè)計(jì)的城市交通流量網(wǎng)站針對(duì)長(zhǎng)時(shí)交通流量預(yù)測(cè)，只能查詢以小時(shí)為單位的預(yù)測(cè)交通流量，結(jié)合本文的短時(shí)預(yù)測(cè)結(jié)果，在網(wǎng)站上增加了未來(lái)5分鐘和10分鐘的短時(shí)交通流量查詢功能。由于網(wǎng)站截圖較寬，為保證圖像清晰展示，故分為左右兩部分，分別如圖6和圖7所示。網(wǎng)站上最左側(cè)三個(gè)下拉菜單分別為：選擇所要查詢的路段、對(duì)于長(zhǎng)時(shí)交通流量預(yù)測(cè)選擇要查詢的日期、對(duì)于短時(shí)交通流量預(yù)測(cè)選擇查詢未來(lái)5分鐘或10分鐘的交通流量。長(zhǎng)時(shí)交通流量預(yù)測(cè)結(jié)果是以中間藍(lán)色柱狀圖的形式呈現(xiàn)，短時(shí)交通流量預(yù)測(cè)結(jié)果則顯示在最右側(cè)高德地圖中對(duì)應(yīng)監(jiān)測(cè)點(diǎn)位置。

圖6? ?城市交通流量預(yù)測(cè)網(wǎng)站截圖（左半部分）

圖7? ?城市交通流量預(yù)測(cè)網(wǎng)站截圖（右半部分）

城市交通流量預(yù)測(cè)網(wǎng)站的設(shè)計(jì)及應(yīng)用是智能交通系統(tǒng)發(fā)展的重要環(huán)節(jié)，但目前真正投入使用的城市交通流量預(yù)測(cè)網(wǎng)站很少，本文設(shè)計(jì)的交通流量預(yù)測(cè)網(wǎng)站適用于不同城市，圖中示例的模擬道路監(jiān)測(cè)點(diǎn)的位置和數(shù)量也可以根據(jù)具體城市道路情況而設(shè)定。該網(wǎng)站實(shí)現(xiàn)了長(zhǎng)時(shí)和短時(shí)交通流量預(yù)測(cè)，既可以增加普通用戶出行規(guī)劃的合理性，一定程度上緩解交通擁堵，也可以作為道路建設(shè)和交通管理的參考依據(jù)。

5? ? ?結(jié)語(yǔ)

本文利用PSO算法對(duì)LSTM神經(jīng)網(wǎng)絡(luò)模型中兩個(gè)LSTM層的神經(jīng)元個(gè)數(shù)進(jìn)行尋優(yōu)，從而構(gòu)建了PSO-LSTM短時(shí)交通流量預(yù)測(cè)模型，基于PeMS系統(tǒng)提供的真實(shí)交通流量數(shù)據(jù)展開實(shí)驗(yàn)，結(jié)果證明了本文方法的準(zhǔn)確性。在此基礎(chǔ)上，設(shè)計(jì)了多尺度城市交通流量預(yù)測(cè)網(wǎng)站，用戶在該網(wǎng)站既可以查詢以小時(shí)為單位的長(zhǎng)時(shí)交通流量預(yù)測(cè)結(jié)果，也可以查詢未來(lái)5分鐘和10分鐘的短時(shí)交通流量預(yù)測(cè)結(jié)果，具有實(shí)際使用價(jià)值。在接下來(lái)的研究中，將繼續(xù)嘗試更合適的交通流量預(yù)測(cè)模型，進(jìn)一步完善網(wǎng)站功能，以更好地滿足實(shí)際需求。

［參考文獻(xiàn)］

［1］ 郭敏，肖翔，藍(lán)金輝.道路交通流短時(shí)預(yù)測(cè)方法綜述［J］.自動(dòng)化技術(shù)與應(yīng)用，2009，28（6）：8-9+16.

［2］ 賀億洋，殷鋒，袁平.智能交通系統(tǒng)中短時(shí)交通流預(yù)測(cè)模型的研究［J］.現(xiàn)代計(jì)算機(jī)，2020（16）：8- 11.

［3］ 王寧，成利敏，甄景濤，等.基于GRU神經(jīng)網(wǎng)絡(luò)的城市交通流量預(yù)測(cè)網(wǎng)站設(shè)計(jì)［J］.廊坊師范學(xué)院學(xué)報(bào)（自然科學(xué)版），2023，23（3）：10-14.

［4］ 宋予佳，張健，邢珺.基于長(zhǎng)短期記憶網(wǎng)絡(luò)構(gòu)建短時(shí)車流預(yù)測(cè)模型［J］.公路，2019，64（7）：224-229.

［5］ 吳曉龍. 基于長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)及應(yīng)用［D］.重慶：重慶郵電大學(xué)，2020.

［6］ 唐曉靈，劉嘉敏.基于PSO-LSTM網(wǎng)絡(luò)模型的建筑碳排放峰值預(yù)測(cè)［J］.科技管理研究，2023，43（1）：191-198.

［7］ 趙明偉. 改進(jìn)粒子群算法優(yōu)化LSTM神經(jīng)網(wǎng)絡(luò)的地鐵短時(shí)客流預(yù)測(cè)［D］.石家莊：石家莊鐵道大學(xué)，2021.

［8］ 張騰達(dá)，李琦，陳波.基于LSTM的熱力站短期熱負(fù)荷預(yù)測(cè)研究［J］.計(jì)算機(jī)仿真，2022，39（9）：507-512.

［9］ 周晨蓉. 基于PSO-LSTM的城市道路卡口交通流預(yù)測(cè)模型［D］.西安：長(zhǎng)安大學(xué)，2022.

［10］ 張國(guó)赟，金輝.基于改進(jìn)PSO-LSTM模型的城市軌道交通站點(diǎn)客流預(yù)測(cè)［J］.計(jì)算機(jī)應(yīng)用與軟件，2021，38（12）：110-114+134.