基于天氣特征的高速公路交通流預測方法研究

摘" 要： 隨著高速公路網絡的規模擴展和智能交通系統的不斷完善，交通流預測在提高道路資源利用效率和緩解交通擁堵方面起著至關重要的作用。現有的預測方法往往忽視了天氣特征動態變化對交通流的影響，故文中旨在運用集成深度學習模型來探索天氣特征對高速公路交通流的影響。利用隨機森林算法從歷史交通流量和天氣數據中提取出相關性較高的天氣特征，采用粒子群優化算法對長短期記憶神經網絡模型的超參數進行優化，構建一個融合天氣特征數據的深度學習預測框架，將經過篩選的天氣特征序列輸入至預測框架模型中進行訓練和預測。通過真實數據集上的實驗驗證了所提方法的有效性和泛化能力。實驗結果表明，所提的集成深度學習方法相比現有的深度學習方法具有更好的擬合度、預測精度和穩定性，能夠更準確地捕捉天氣特征動態變化對交通流的影響。

關鍵詞： 智能交通系統； 高速公路交通流預測； 天氣特征； 集成深度學習； 隨機森林算法； 粒子群優化算法； 長短期記憶神經網絡； 超參數優化

中圖分類號： TN929.5?34； U491.1+4" " " " " " " 文獻標識碼： A" " " " " " " " " " "文章編號： 1004?373X（2025）08?0164?09

Research on highway traffic flow prediction based on weather characteristics

YUAN Hui1， XIE Qing1， JI Mingjun2， WU Weichang1， ZENG Bin1， JI Shengzhong2

（1. China Railway Southern Investment Group Co.， Ltd.， Shenzhen 529566， China;

2. College of Transportation Engineering， Dalian Maritime University， Dalian 116026， China）

Abstract： With the scale expansion of highway networks and the continuous improvement of intelligent transportation systems， traffic flow prediction plays a crucial role in enhancing road resource utilization and alleviating traffic congestion. Existing prediction methods often overlook the impact of dynamic weather feature changes on traffic flow. The integrated deep learning model is used to explore the influence of weather features on highway traffic flow. The random forest algorithm is used to extract highly correlated weather features from historical traffic flow and weather data. The particle swarm optimization algorithm is used to optimize the hyperparameters of long short?term memory （LSTM） neural networks. A deep learning prediction framework fusing weather feature data is constructed， and the screened weather feature sequences are input into the prediction framework model for training and prediction. The experiments on real datasets verify the effectiveness and generalization ability of the proposed method. The experimental results show that the proposed integrated deep learning method can exhibit better fitting accuracy， prediction precision， and stability compared to existing deep learning methods. It can more accurately capture the impact of dynamic weather feature changes on traffic flow.

Keywords： intelligent transportation system; highway traffic flow prediction; weather feature; integrated deep learning; random forest algorithm; particle swarm optimization algorithm; LSTM neural network; hyper?parameter optimization

0" 引" 言

隨著交通系統的不斷發展和城市化進程的迅猛加速，高速公路作為重要的交通基礎設施之一，承擔著日益增長的交通流量和運輸需求。然而，高速公路交通流的穩定性和安全性受到多種因素的影響，其中天氣因素作為外部環境因素之一，對交通流的行為和交通系統的運行產生了顯著影響。特別是在惡劣天氣條件下，如能見度降低、降水天氣、強風等，交通流的運行狀態可能會受到較大影響，導致交通事故頻發和交通擁堵現象加劇。因此，深入研究天氣特征對高速公路交通流的影響，對于提高交通系統的安全性、高效性具有重要意義，并且提前預測交通狀態是交通管理系統與規劃的科學依據[1]。交通流預測領域研究方法的發展經過了時間序列模型、濾波類模型以及二者的結合[2?4]，傳統機器學習模型[5?7]到深度學習模型[8?9]三代歷程，呈現出由淺入深，從線性到非線性，建模復雜性增加的趨勢[10]。在天氣特征變化對交通流的影響及預測的研究中，早期的研究主要關注單一天氣因素對交通流的影響，文獻[11]研究了冬季暴風雪等惡劣天氣對交通需求、交通安全和交通流之間的影響；文獻[12]研究了寒冷天氣和降雪對每日和每小時交通流量變化的影響。這些研究為理解天氣因素對交通流的影響提供了幫助。

隨著研究的深入，越來越多的學者開始關注多種天氣因素綜合影響下的交通流預測問題。一些研究者嘗試將天氣因素與交通流量數據相結合，建立了一些綜合考慮多種天氣特征的交通流預測模型。文獻[13]研究了多天氣特征的高速公路交通流預測模型；文獻[14]研究了考慮天氣影響的高速公路交織區交通運行狀態識別；文獻[15]研究了雨、雪、霧等高原山區常見惡劣天氣對高速公路交通流特征的影響。然而，這些模型往往忽視了天氣特征之間的復雜關系，導致模型預測精度不高。

近年來，一些研究開始嘗試引入機器學習和深度學習技術，以提高交通流預測模型的精度和泛化能力。長短期記憶（Long Short?Term Memory， LSTM）神經網絡作為一種適用于時序數據建模的深度學習模型，受到了廣泛關注[16]。文獻[17]基于VMD?ISSA?LSTM對短時交通流進行預測。文獻[18]通過粒子群優化（Particle Swarm Optimization， PSO）算法和LSTM深度學習預測模型來對高速公路短時交通流進行精準預測，以提高預測準確性。文獻[19]設計一種基于ConvLSTM網絡且融合時空關聯性和外部因素的交通流預測模型，以提高高速公路關鍵節點交通流預測的準確性。文獻[20]采用了一種AE自編碼器與深度長短期記憶網絡相結合的組合模型，并引入改進的自適應矩估計算法對交通流進行預測。然而，現有研究大多忽視了天氣因素對模型的影響，缺乏對天氣特征的全面考慮。

本文旨在基于集成深度學習混合算法，研究動態天氣特征對高速公路交通流的影響。首先，使用隨機森林（Random Forest， RF）算法對天氣特征進行篩選，選擇影響交通流的主要天氣特征因素，刪除冗余特征。隨后，利用PSO對LSTM神經網絡模型的超參數進行優化，以提高模型的預測精度和泛化能力。采用PSO?LSTM（Particle Swarm Optimization ? Long Short?Term Memory）神經網絡模型進行交通流預測，結合選取的天氣特征，以實現對不同天氣條件下交通流量和交通擁堵情況的準確預測。本研究通過RF?PSO?LSTM（Random Forest ? Particle Swarm Optimization ? Long Short?Term Memory）集成深度學習方法，填補現有研究的空白，為高速公路交通管理和規劃提供新的思路和方法，交通管理部門根據不同天氣條件下的交通流狀況，提前采取相應的交通管理措施，以提高道路交通的安全性和流暢性。

1" 基本原理及方法

1.1" RF算法

本文針對天氣因素影響下的高速公路交通流進行預測研究。神經網絡輸入天氣特征中可能包含大量冗余特征或者無關特征，會增加LSTM神經網絡模型對特征相關性的處理難度，并可能引入額外的噪聲和干擾，影響模型的性能，造成模型無法訓練或者泛化能力下降。RF算法通過基于樹的特征重要性評估方法評估每個天氣特征對于模型的重要性，可以直觀地了解每個天氣特征對于模型預測的貢獻程度，從而更好地進行特征選擇和解釋。RF算法在構建多棵決策樹并進行集成時，具有抗過擬合能力，通過對多個模型進行集成，該算法可以減少單個模型的過擬合風險，提高模型的泛化能力。

在RF算法的基礎上，利用平均不純度減少的思想對所有特征進行關聯性分析。通過計算RF算法構建過程中各個特征的平均不純度下降值來對特征的重要程度進行排序，重要特征引起的不純度下降得高。

RF算法決策樹生成步驟如下。

式中[Ix]為指示函數。

1.2" PSO?LSTM優化算法

LSTM神經網絡模型是循環神經網絡的一種變體，循環神經網絡隱藏層中運用LSTM單元進行替換。其中LSTM存在記憶細胞，借助記憶細胞的數據信息能夠高效地獲取長距離依賴信息，可以避免存在的梯度消失問題，但是其訓練過程中仍然存在最優超參數如何選擇的問題。

LSTM神經網絡模型中包括眾多超參數，隱藏層神經元的數量和學習率對模型的性能和能力至關重要。隱藏層神經元的數量直接影響了模型的表征能力和信息處理能力。選擇合適數量的隱藏層神經元是防止過擬合和欠擬合的關鍵。初始學習率決定了模型在訓練過程中參數更新的速度。合適的初始學習率可以加速模型的收斂，使其在更短的時間內達到最優解。因此，選擇合適的隱藏層神經元個數和初始學習率是優化 LSTM神經網絡性能的關鍵因素。

通過PSO智能優化算法搜尋不同的參數組合，并根據驗證集的性能選擇最佳的參數設置，提高模型的性能和泛化能力。PSO?LSTM神經網絡模型的思想主要是利用PSO優化算法對LSTM神經網絡模型的隱藏層神經元個數與初始學習率等超參數進行優化，以提高高速公路交通流的預測性能。PSO?LSTM神經網絡模型具體運行步驟如下。

1） 建立LSTM模型，確定所述LSTM模型中需要通過PSO優化的超參數，包括隱藏層神經元個數和初始學習率。

2） 對超參數進行編碼，即將兩個超參數劃定為兩個種群，并設定兩個超參數的取值范圍。

3） 將均方歸一化誤差函數設定為PSO算法的適應度函數，適應度函數公式如下：

式中：MSE表示均方歸一化誤差；[n]表示訓練集數據數量；[Yi]表示實際高速公路交通流；[Yi]表示預測高速公路交通流。

4） 設置PSO算法中的參數，初始化種群中粒子個體的位置和速度，進行粒子的迭代尋優。

式中：[vki]表示第[i]個粒子在第[k]次迭代中的速度；[ω]是慣性權重；[c1]、[c2]代表學習因子；[pbestki]與[gbestki]分別表示第[i]個粒子在第[k]次迭代中的個體最佳位置與全局最佳位置；[xki]表示第[i]個粒子在第[k]次迭代中的位置。

5） 達到最大迭代次數后，根據獲得的全局最優極值點的位置信息，輸出最優超參數，并基于所述最優超參數構建用于高速公路交通流預測的LSTM模型。

1.3" RF?PSO?LSTM集成深度學習算法

基于上述RF算法、PSO算法和LSTM神經網絡模型算法的原理，本文在研究天氣特征影響因素對高速公路交通流預測的影響時，充分發揮各種算法的優勢，設計RF?PSO?LSTM集成深度學習算法，具體算法流程如圖1所示。

算法流程

1） 從不同來源獲取高速公路的歷史交通流量數據以及與之對應的天氣特征數據，如溫度、濕度、風速等。

2） 對數據進行預處理，包括數據清洗、缺失值處理、特征選擇等。

3） 使用RF算法對數據進行建模和訓練，以捕捉交通流量數據中的復雜關系和模式。

4） 利用PSO優化算法對LSTM模型的超參數進行優化，如隱藏層神經元個數和初始學習率。

5） RF算法作為特征提取器，將提取的天氣特征輸入到LSTM神經網絡中進行訓練。

6） 使用交叉驗證等方法對RF?PSO?LSTM集成深度學習進行評估和優化，通過比較模型的預測結果與實際觀測值之間的誤差，來評估模型的準確性和效果。

7） 使用RF?PSO?LSTM集成深度學習對未來一段時間的高速公路交通流量進行預測。

2" RF?PSO?LSTM集成深度學習模型

針對天氣因素影響下高速公路交通流預測研究，RF?PSO?LSTM集成深度學習模型主要包含以下步驟：數據處理與特征分析、RF算法特征選擇、RF?PSO?LSTM神經網絡模型構建等。

2.1" 數據預處理與特征分析

本文所用高速公路交通流數據來自IDataScience提供的兩個城市間東西向高速公路西行車流量，對應的高速公路天氣數據來自rp5.ru。選取數據的時間周期為2017年10月1日到2017年12月31日，數據頻率為每6 h記錄一次，分別為0：00、6：00、12：00、18：00四個時間點，共92天的368組數據。天氣數據包括溫度（t）、露點溫度（Td）、相對濕度（U）、積雪深度（SSS）、降水量（RRR）、能見度（VV）、云層高度范圍（h）、云量（N）、平均風速（Ff）、風向（DD）、總氣壓（p）和海平面氣壓（Po）共12個特征維度，可充分反映出天氣特征對于高速公路交通流的影響。在分析中發現，不同時間點對交通流具有較大的影響，并呈現出特定的周期性。圖2顯示368組數據的交通流變化情況。

由于原始數據中統計時間數據頻率較大，趨勢圖中并不能完全代表每日的具體交通流量，但是可以完全反映出每日的交通流的變化趨勢，如0：00時交通流量最小，6：00時會迎來交通流高峰，12：00時交通流量居中，18：00時呈現明顯的下降趨勢，不同時間點的交通流量存在著明顯的差異。因此在對交通流缺省值通過線性插值方法進行擬合時，同一日期的不同時刻對車流量影響較大，需要通過前后日期的同一時刻進行擬合，避免同一日期內不同時刻對交通流的影響，可以使數據的擬合效果更好，符合實際情形。數據預處理過程中，還包括對異常數據的處理，主要有錯誤數據剔除和高峰時段數據去噪處理等。

為了更清晰地研究各種天氣特征對于高速公路交通流的影響，對天氣的數據特征進行可視化分析。圖3為連續時間段2017年10月1日到2017年12月31日368組12種天氣特征數據的取值結果。

從天氣特征取值變化圖中可以看出，12個維度的天氣特征數據之間存在不同的量綱，并且存在較大差異的分散程度，不具有可比性，因此需要對每個天氣特征序列的樣本進行歸一化處理。選用min?max方法對樣本數據進行線性變換，將樣本中的輸入數據與輸出數據均映射到0～1，消除量綱引起的誤差，提高模型的預測精度。

式中；[xi]為原始數據中的第[i]個數據；[x'i]為歸一化后的新數據；[xmin]為最小值；[xmax]為最大值。

2.2" RF算法特征選擇

為了增強模型的收斂速度，提高模型的泛化能力，并且防止出現過度擬合的情況，將天氣特征數據中12個維度的數據進行分析，從中選出與高速公路交通流關聯度高的特征。RF算法通過引入隨機性可以減少過擬合的風險。每棵決策樹都是基于部分訓練數據和部分特征構建的，這有助于避免模型對訓練數據的過度擬合，從而提高模型在未知數據上的泛化能力。

本文通過RF回歸算法進行建模。RF算法決策樹數量設置為200，最小葉子數為1，根據重要性計算12個天氣輸入特征的平均不純度減少值，計算過程中誤差曲線如圖4所示。RF算法訓練過程中，誤差曲線值急劇下降到0.115，隨著決策數數目的增加，誤差曲線趨于穩定，當決策樹數目達到100時，誤差曲線波動減少，趨于直線，訓練過程穩定，達到了很好的訓練效果。RF算法中，特征的重要性通常通過計算平均不純度減少值來衡量，平均不純度減少值表示每個特征對于減少節點不純度的貢獻程度，平均不純度減少值越大，特征的重要性越高，特征在拆分節點時對于減少節點的不純度具有更大的影響。各天氣特征平均不純度減少值計算結果如表1所示。當輸入特征過多時，模型需要處理的參數數量會大大增加，導致維度增加，造成模型無法訓練或者泛化能力下降。輸入特征過少可能無法充分表達數據集的復雜性和信息，導致無法捕捉數據中的重要模式和特征，因此模型無法準確地建模數據集。

根據表1的天氣特征平均不純度減少值計算結果，經實驗后，選擇平均不純度減少值較大的6個天氣特征作為輸入特征進行學習，分別是相對濕度、云層高度范圍、云量、溫度、露點溫度、降水量；而平均風速、積雪深度、風向等天氣特征的平均不純度減少值為負值，表示該特征對于節點不純度的減少貢獻為負，在拆分節點時反而增加了節點的不純度。

因此，將選擇的6個關聯度高的天氣特征作為神經網絡的輸入特征數據。

2.3" RF?PSO?LSTM集成深度學習模型構建

通過RF算法對數據集中與高速公路交通流相關性較大的天氣特征進行篩選，通過重要性排序，選擇平均不純度減少值較大的6個天氣特征，篩選后重新整理數據，t時刻的數據表示為[xt1，xt2，xt3，xt4，xt5，xt6，y]，依次代表內容為相對濕度（U）、云量（N）、降水量（RRR）、云層高度范圍（h）、總氣壓（p）、能見度（VV）與交通流。按照7∶3的比例將數據集劃分為訓練集數據與測試集數據，訓練集數據用來訓練神經網絡模型，模型學習了輸入序列與輸出序列之間的關系，從而調整網絡參數使損失函數最小化；測試集數據用于評估訓練好的神經網絡模型在未見過的數據上的性能表現，可以檢驗模型的泛化能力和預測準確性，以驗證模型是否能夠在實際應用中有效地預測未知數據。

對數據集進行劃分和處理之后，需要再對LSTM神經網絡進行參數設置，合理的參數設置可以提高模型的訓練速度、泛化能力和預測準確性，從而更好地適應不同的數據集和預測任務。

LSTM神經網絡參數設置如表2所示。

LSTM神經網絡參數設置中：輸入層層數為輸入天氣特征維度數（6個）；梯度下降算法設置為Adam；最大訓練次數為1 000次；學習率下降因子為0.1，經過800次訓練后學習率下降；隱藏層神經元個數的取值范圍為[100，1 500]；學習率的取值范圍為[0.10，0.50]。接著對PSO算法參數進行設置，PSO算法參數設置如表3所示。

通過PSO算法對LSTM神經網絡中的隱藏層神經元個數與學習率兩個超參數進行優化，采用均方歸一化誤差性能函數作為適應度函數。PSO算法的參數設置分別為：初始化種群個數為100；種群維度為2；最大迭代次數為50；學習因子1與學習因子2均為2；慣性權重最小值為0.6；慣性權重最大值為1.4。

經過PSO算法進行優化后，輸出的最優參數組合如表4所示。其中，隱藏層神經元個數為990個，學習率為0.372 8。將參數輸入LSTM神經網絡模型，構建RF?PSO?LSTM集成深度學習模型，對集成深度學習模型進行訓練，并對訓練結果進行評價分析。

3" 高速公路交通流預測分析

將提取后相關性較高的天氣特征數據作為輸入數據，輸入至RF?PSO?LSTM集成深度學習模型中，同時對模型進行訓練；高速公路交通流數據作為輸出數據，對輸出結果進行評價分析。圖5是RF?PSO?LSTM集成深度學習模型訓練集數據輸出結果和測試集數據輸出結果與真實值的對比圖。

交通流預測結果對比

通過圖5可以明顯看出，本文提出的RF?PSO?LSTM集成深度學習模型可以很好地通過天氣特征對高速公路交通流進行預測，訓練出的模型達到了較高的擬合效果，無論是訓練集數據還是測試集數據，預測值與真實值之間的誤差較小。由于本文研究的不是短期的交通流預測，并且數據量龐大，預測值和真實值之間存在誤差是無法避免的，達不到預測完全準確的效率。

接著通過3個評價指標對輸出結果進行評價，分別是R2、平均絕對誤差（Mean Absolute Error， MAE）和均方根誤差（Root Mean Squared Error， RMSE）。3個評價指標計算公式如下：

式中：[n]表示訓練集數據數量或測試集數據數量；[Yi]表示真實高速公路交通流；[Yi]表示預測高速公路交通流；[Yi]表示真實高速公路交通流平均值。

為驗證模型的高效性和有效性，本文采用了RF、CNN、PSO?SVM與RF?PSO?LSTM四種深度學習模型對同一數據集進行訓練學習，并對結果進行對比分析評價。RF、CNN、PSO?SVM三種深度學習模型的測試集數據預測結果如圖6所示。

數據交通流預測結果

不同指標間的評價數據如表5所示。

由表5可知，多次實驗之后，針對動態天氣特征下的高速公路交通流預測，本文提出的RF?PSO?LSTM集成深度學習模型對高速公路交通流預測的擬合程度達到了較高水平，訓練集與測試集的[R2]分別達到了0.95與0.94，均優于單一模型RF和CNN以及集成模型PSO?SVM的擬合程度。

上述結果表明RF?PSO?LSTM模型能夠更好地擬合訓練數據，捕捉數據中的復雜關系。

此外，RF?PSO?LSTM集成深度學習模型在預測的平均絕對誤差（MAE）方面表現最佳，模型的預測精度明顯優于其他模型。然而，略顯不足的是RF?PSO?LSTM集成深度學習模型在均方根誤差（RMSE）方面效果不佳，不及其他模型，盡管與其他模型值接近。原因是RF?PSO?LSTM模型可能在處理異常值或者數據噪聲方面存在不足，導致預測的均方根誤差略高。

綜上所述，RF?PSO?LSTM集成深度學習模型在動態天氣特征下高速公路交通流的預測中展現出了較高的擬合程度、預測精度和穩定性。

本節中，具體分析了天氣特征融合RF?PSO?LSTM集成深度學習模型在高速公路交通流預測中的應用，同時，也對動態天氣特征預測結果進行了評價分析。評價結果表明，本文模型在動態天氣特征下的交通流預測中表現出了較高的擬合程度、預測精度和穩定性，為智能交通系統的發展提供了有益的參考和支持。

4" 結" 語

本文研究了天氣特征在高速公路交通流預測中的關鍵作用，并提出了一種RF?PSO?LSTM集成深度學習模型，以提高預測的準確性和穩定性。本文主要有以下幾個關鍵發現：首先，本文結果表明天氣條件對高速公路交通流的顯著影響。通過將天氣特征納入預測模型，觀察到預測準確性和魯棒性得到了顯著提高，突顯了在交通流預測中考慮天氣特征的重要性。

其次，本研究提出的RF?PSO?LSTM模型在解決交通流預測復雜性方面表現出色。通過將RF算法用于優化特征提取、PSO優化算法用于參數優化，以及LSTM神經網絡用于時間序列建模，提出的RF?PSO?LSTM集成深度學習方法相較于現有方法在動態天氣特征下高速公路交通流的預測中具有更優異的性能，突顯了利用先進的機器學習技術改進交通流模型預測能力的價值。

此外，本文通過提供更準確、更可靠的交通流預測工具，可以幫助交通管理部門和交通管理機構制定更好的決策，優化資源分配，促進交通系統的可持續發展。

未來的研究工作集中于完善RF?PSO?LSTM集成深度學習方法，并探索可能影響交通流的其他動態因素，使高速公路交通流預測研究更加系統。

注：本文通訊作者為計明軍。

參考文獻

[1] WANG Y B， YU X H， ZHANG S Y， et al. Freeway traffic control in presence of capacity drop [J]. IEEE transactions on intelligent transportation systems， 2021， 22（3）： 1497?1516.

[2] 史其信，鄭為中.道路網短期交通流預測方法比較[J].交通運輸工程學報，2004（4）：68?71.

[3] 陳孟，干可，李凱，等.基于實時多模態時空數據的時空圖卷積網絡精準魯棒交通流預測模型[J].公路交通科技，2021，38（8）：134?139.

[4] 白偉華，張傳斌，張塽旖，等.基于異常值識別卡爾曼濾波器的短期交通流預測[J].計算機應用研究，2021，38（3）：817?821.

[5] LUO X L， LI D Y， ZHANG S R. Traffic flow prediction during the holidays based on DFT and SVR [J]. Journal of sensors， 2019（10）： 1?10.

[6] 王翔，陳小鴻，楊祥妹.基于K最近鄰算法的高速公路短時行程時間預測[J].中國公路學報，2015，28（1）：102?111.

[7] 馮鳳江，楊增刊.基于圖卷積和注意力機制的高速公路交通流預測[J].公路交通科技，2023，40（9）：215?223.

[8] LIU Q C， LIU T， CAI Y F， et al. Explanatory prediction of traffic congestion propagation mode： a self?attention based approach [J]. Physica a： statistical mechanics and its applications， 2021， 573（1）： 1?17.

[9] 陳喜群，周凌霄，曹震.基于圖卷積網絡的路網短時交通流預測研究[J].交通運輸系統工程與信息，2020，20（4）：49?55.

[10] 崔建勛，要甲，趙泊媛.基于深度學習的短期交通流預測研究方法綜述[J].交通運輸工程學報，2024，24（2）：50?64.

[11] MAZE T H， AGARWAL M， BURCHETT G. Whether weather matters to traffic demand， traffic safety， and traffic operations and flow [J]. Management and delivery of maintenance and operations services， 2006（1948）： 170?176.

[12] DATLA S， SHARMA S. Impact of cold and snow on temporal and spatial variations of highway traffic volumes [J]. Journal of transport geography， 2008， 16（5）： 358?372.

[13] 李桃迎，王婷，張羽琪.考慮多特征的高速公路交通流預測模型[J].交通運輸系統工程與信息，2021，21（3）：101?111.

[14] 李巖，陳姜會，曾明哲，等.考慮天氣影響的高速公路交織區交通運行狀態識別[J].交通運輸系統工程與信息，2023，23（6）：111?119.

[15] 戢曉峰，張琪，覃文文，等.惡劣天氣對高原山區高速公路交通流特征的影響分析[J].交通信息與安全，2020，38（4）：10?16.

[16] 姚俊峰，何瑞，史童童，等.基于機器學習的交通流預測方法綜述[J].交通運輸工程學報，2023，23（3）：44?67.

[17] 龐學麗，宋坤，姚紅云，等.基于VMD?ISSA?LSTM的短時交通流預測研究[J].現代電子技術，2024，47（8）：31?36.

[18] 楊文玲，廣曉平.基于PSO?LSTM的高速公路短時交通流預測[J].綜合運輸，2024，46（1）：118?124.

[19] 吳劍云，于安雙.基于ConvLSTM的高速公路交通流預測仿真研究[J].實驗室研究與探索，2022，41（12）：132?137.

[20] 黃艷國，周陳聰，左可飛.基于RAdam優化的DLSTM?AE交通流預測模型[J].公路交通科技，2023，40（1）：185?191.

作者簡介：袁" 輝（1977—），男，湖南邵陽人，總經理，研究方向為工程技術。

計明軍（1973—），男，蒙古族，內蒙古赤峰人，博士研究生，教授，研究方向為交通運輸與規劃。

收稿日期：2024?06?16" " " " " "修回日期：2024?07?31

基金項目：國家自然科學基金項目（71971035）