基于長(zhǎng)短期記憶網(wǎng)絡(luò)的智能交通流量預(yù)測(cè)分析

摘要：為了提高智能交通流的預(yù)測(cè)精度，設(shè)計(jì)了一種基于長(zhǎng)短期記憶（long short-term memory，LSTM）網(wǎng)絡(luò)的智能交通流量預(yù)測(cè)分析方法。該方法采用時(shí)域和外部參數(shù)構(gòu)成特征矩陣，通過卷積層對(duì)輸入特征進(jìn)行卷積計(jì)算，再利用LSTM網(wǎng)絡(luò)模型對(duì)交通流特征進(jìn)行預(yù)測(cè)。研究結(jié)果表明，在引入外部因素后，LSTM網(wǎng)絡(luò)模型的平均絕對(duì)百分比誤差（mean absolute percentage error，MAPE）下降了15.26%，精度（Accuracy）提高了0.09，通過提取外界因素可以使模型達(dá)到更高的預(yù)測(cè)精度。相較于其他的模型，LSTM網(wǎng)絡(luò)模型能夠通過卷積網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)時(shí)序數(shù)據(jù)的高精度提取，從而提高模型的預(yù)測(cè)精度。該研究有助于提高交通流預(yù)測(cè)的準(zhǔn)確性，為交通規(guī)劃提供一定的理論支撐。

關(guān)鍵詞：智能交通；流量預(yù)測(cè)；長(zhǎng)短期記憶網(wǎng)絡(luò)

中圖分類號(hào)：TP39 文獻(xiàn)標(biāo)識(shí)碼：A

0 引言

隨著我國(guó)城鎮(zhèn)建設(shè)水平的提升，機(jī)動(dòng)車數(shù)量不斷增加，原有道路和其他基礎(chǔ)設(shè)施已不能滿足人們的出行需求，交通擁擠和環(huán)境污染問題日益嚴(yán)

峻[1-2]。通過對(duì)擁堵狀況進(jìn)行分析可以發(fā)現(xiàn)，在主干道出現(xiàn)車輛堵塞時(shí)，還有部分路段通行順暢；若能事先對(duì)堵塞情況進(jìn)行預(yù)測(cè)，則可以更好地掌握未來(lái)交通情況并采取相應(yīng)調(diào)整措施[3]。

近年來(lái)，基于深度學(xué)習(xí)的道路交通控制方法已得到廣泛應(yīng)用，將其用于道路交通預(yù)測(cè)可以提高道路管控水平[4-5]。部分學(xué)者通過深度神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)對(duì)道路交通路況的動(dòng)態(tài)反饋，并取得了較好的應(yīng)用效果[6]。張召悅等[7]采用自回歸移動(dòng)平均模型對(duì)流量時(shí)間序列進(jìn)行初步線性預(yù)測(cè)，通過長(zhǎng)短期記憶（long short-term memory，LSTM）網(wǎng)絡(luò)對(duì)線性預(yù)測(cè)后的殘差序列進(jìn)行非線性修正預(yù)測(cè)，該方法能夠快速、準(zhǔn)確、有效地預(yù)測(cè)空中交通流量。劉思林等[8]構(gòu)建了一種基于多影響因素的交通流速度預(yù)測(cè)模型，相較于LSTM網(wǎng)絡(luò)模型、卷積神經(jīng)網(wǎng)絡(luò)模型和雙向LSTM網(wǎng)絡(luò)模型，該模型的預(yù)測(cè)精度更高。基于此，本文通過對(duì)不同類型的交通流進(jìn)行時(shí)序和周期特征提取，檢驗(yàn)各種外在作用因素導(dǎo)致的路網(wǎng)流量變化，并通過 LSTM網(wǎng)絡(luò)時(shí)序分析方法對(duì)路網(wǎng)特征進(jìn)行預(yù)測(cè)，為實(shí)現(xiàn)智慧交通提供技術(shù)支持。

1 LSTM網(wǎng)絡(luò)交通流量預(yù)測(cè)

本文以LSTM網(wǎng)絡(luò)作為主要研究對(duì)象，通過對(duì)路網(wǎng)中的交通流進(jìn)行時(shí)域特征參量提取，獲得受外界影響因素而改變的路網(wǎng)流量信息，再以此為基礎(chǔ)，結(jié)合各類影響因素和時(shí)間序列構(gòu)建特征矩

陣[9]。首先，建立矩陣S，在垂直方向上，按照時(shí)間順序排列形成交通流參量（S1，S2，…，ST）；在水平方向上，則將站點(diǎn)流量和其他各種特性都顯示出來(lái)，函數(shù)計(jì)算式如下[10]：

S = 。" " " " （1）

式中，s為監(jiān)測(cè)站點(diǎn)的歷史流量數(shù)據(jù)，f為監(jiān)測(cè)站點(diǎn)的特征數(shù)據(jù)。

本文利用LSTM網(wǎng)絡(luò)對(duì)交通流量進(jìn)行預(yù)測(cè)，獲取不同類型的道路交通流量特征，并將其與LSTM網(wǎng)絡(luò)時(shí)序分析相結(jié)合，最終實(shí)現(xiàn)對(duì)交通流量的

預(yù)測(cè)。

按照以下步驟進(jìn)行LSTM網(wǎng)絡(luò)交通流量預(yù)測(cè)。

步驟1：獲取流量信息后，對(duì)樣本參數(shù)進(jìn)行初步篩選。

步驟2：對(duì)采集的數(shù)據(jù)進(jìn)行預(yù)處理，包括異常數(shù)據(jù)修補(bǔ)、噪聲信號(hào)去除以及各個(gè)參數(shù)的歸一

化等。

步驟3：對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行處理，將結(jié)果輸入卷積層，并對(duì)外界因素造成的車流波動(dòng)進(jìn)行

分析。

步驟4：從卷積層中抽取特征參量，并將這些參量輸入LSTM網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，最終完成對(duì)各時(shí)段流量的預(yù)測(cè)。

步驟5：通過反向回歸模型計(jì)算并得到預(yù)測(cè)

結(jié)果。

LSTM網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示[11]。該網(wǎng)絡(luò)采用時(shí)域和外部參數(shù)構(gòu)成特征矩陣，通過卷積層對(duì)輸入特征進(jìn)行卷積計(jì)算，再利用Dropout層對(duì)以上特征進(jìn)行正則化處理。

2 實(shí)驗(yàn)分析

2.1 數(shù)據(jù)集

本文選取走向?yàn)閺谋毕蚰系哪彻愤M(jìn)行測(cè)試，采集其1 h內(nèi)的車流數(shù)據(jù)。根據(jù)該公路的氣象條件、節(jié)假日通行路況以及其他各種路況特征，對(duì)其未來(lái)

24 h內(nèi)的車流進(jìn)行預(yù)測(cè)[12]。對(duì)2020年10月10日到2023年10月10日（共計(jì)3年）的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，收集獲得28 610條樣本參數(shù)。本文選取其中85%的樣本作為訓(xùn)練數(shù)據(jù)集，選取15%的樣本作為測(cè)試數(shù)據(jù)集。

本文以LSTM網(wǎng)絡(luò)作為主要研究對(duì)象，通過平均絕對(duì)百分比誤差（mean absolute percentage error，MAPE）與精度（Accuracy）等指標(biāo)全面評(píng)估該模型的預(yù)測(cè)效果，并建立了MAPE、Accuracy的計(jì)算

函數(shù)[13]：

MAPE =" | |×100%。" " " " " " " " " " " " " （2）

Accuracy = 1- 。" " " " " " " " " " " " " " " " " "（3）

式中，N為測(cè)試數(shù)據(jù)集數(shù)據(jù)量，i為樣本數(shù)，Yi和i分別為實(shí)際流量和預(yù)測(cè)流量。

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

本文通過Python3.6進(jìn)行模型編譯和調(diào)試。同時(shí)設(shè)定了適當(dāng)?shù)臋z驗(yàn)集參數(shù)，保證每個(gè)檢驗(yàn)集都包含8個(gè)最佳參數(shù)。根據(jù)以上條件，利用前7日交通流量參數(shù)，預(yù)測(cè)了后續(xù)24 h內(nèi)的車流變化結(jié)果。

采用LSTM網(wǎng)絡(luò)構(gòu)建了智能交通流預(yù)測(cè)模型，該模型包含64個(gè)不同尺寸的卷積層以及64個(gè)LSTM層神經(jīng)元。模型采用Tanh函數(shù)作為激勵(lì)函數(shù)，再以均方根誤差作為損失函數(shù)，將最大迭代次數(shù)設(shè)定為3 000次。

2.3 時(shí)間相關(guān)性分析

時(shí)間信息因素會(huì)影響模型對(duì)交通流量的預(yù)測(cè)結(jié)果，本文分別對(duì)考慮時(shí)間信息、未考慮時(shí)間信息兩種情況的道路交通流量開展預(yù)測(cè)分析，并將預(yù)測(cè)結(jié)果與實(shí)測(cè)數(shù)據(jù)進(jìn)行比較，時(shí)間性相關(guān)系數(shù)結(jié)果見

表1。從表1中可以看出，獲得的預(yù)測(cè)結(jié)果與實(shí)測(cè)數(shù)據(jù)的皮爾森系數(shù)是0.99，而在未考慮時(shí)間信息的情況下，皮爾森系數(shù)僅為0.90。因此，模型在加入時(shí)間信息后可以得到更精確的預(yù)測(cè)數(shù)據(jù)。

2.4 實(shí)驗(yàn)結(jié)果分析

交通流量容易受到天氣和事件等外部因素的影響，如節(jié)假日的交通流量與正常日的交通流量存在顯著差異，天氣也會(huì)對(duì)交通流量造成顯著影響。利用LSTM網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn)，分別驗(yàn)證了考慮與未考慮外部因素對(duì)交通流量產(chǎn)生的影響。如表2所示，相較于未考慮外部因素的模型，考慮外部因素的模型MAPE下降了15.26%，而Accuracy提高了0.09，證明了通過提取外部因素可以達(dá)到更高預(yù)測(cè)精度。

為了驗(yàn)證LSTM網(wǎng)絡(luò)對(duì)于交通流量特征提取的效果，本文將LSTM網(wǎng)絡(luò)和其他模型進(jìn)行比較，不同模型預(yù)測(cè)結(jié)果如圖2所示。由圖2可知，相較于卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）模型和支持向量回歸（support vector regression，SVR）模型，LSTM網(wǎng)絡(luò)模型預(yù)測(cè)的交通流量與實(shí)測(cè)數(shù)據(jù)更接近，表明該模型預(yù)測(cè)精度較高，其能夠通過LSTM網(wǎng)絡(luò)實(shí)現(xiàn)時(shí)序數(shù)據(jù)的高精度提取，從而提高預(yù)測(cè)精度。

不同模型預(yù)測(cè)性能如表3所示。通過對(duì)比分析可知，相較于CNN和SVR模型，LSTM網(wǎng)絡(luò)模型的MAPE明顯降低，Accuracy得到了提升，表明本文構(gòu)建的LSTM網(wǎng)絡(luò)模型能夠?qū)崿F(xiàn)優(yōu)于其他模型的預(yù)測(cè)精度。

3 結(jié)論

本文開展了基于LSTM網(wǎng)絡(luò)的智能交通流量預(yù)測(cè)分析，取得如下有益結(jié)果：

（1）引入外部因素后，LSTM網(wǎng)絡(luò)模型的MAPE下降了15.26%，Accuracy提高了0.09，通過提取外部因素可使模型獲得更高的預(yù)測(cè)精度。

（2）相較于其他模型，LSTM網(wǎng)絡(luò)模型能夠通過卷積網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)時(shí)序數(shù)據(jù)的高精度提取，從而提高整體的預(yù)測(cè)精度。

參考文獻(xiàn)

[1] 汪瑞琪，張纓. 城市軌道交通網(wǎng)絡(luò)擁堵易發(fā)點(diǎn)的識(shí)別及評(píng)價(jià)[J]. 城市軌道交通研究，2021，24（8）：165-170，175.

[2] 戴慶，林正奎，曲毅，等. 基于活動(dòng)的早高峰家庭通勤與擁擠收費(fèi)模型[J]. 系統(tǒng)工程理論與實(shí)踐，2021，41（6）：1507-1520.

[3] 陳躍剛，杜興龍. 基于平臺(tái)視角軌道交通對(duì)路網(wǎng)交通擁堵的影響研究[J]. 鐵道運(yùn)輸與經(jīng)濟(jì)，2021，43（6）：125-130.

[4] 李桃迎，王婷，張羽琪. 考慮多特征的高速公路交通流預(yù)測(cè)模型[J]. 交通運(yùn)輸系統(tǒng)工程與信息，2021，21（3）：101-111.

[5] 段中興，杜婉欣.基于GWO-LSTM模型的隧道車流量預(yù)測(cè)與照明調(diào)節(jié)研究[J]. 現(xiàn)代隧道技術(shù)，2024，61（3）：157-165.

[6] 莊偉卿，曹勇博.基于改進(jìn)的時(shí)空?qǐng)D卷積網(wǎng)絡(luò)的交通流預(yù)測(cè)模型研究[J]. 系統(tǒng)科學(xué)與數(shù)學(xué)，2024，44（1）：217-235.

[7] 張召悅，張紅波.基于ARMA-AE-LSTM模型的進(jìn)場(chǎng)交通流預(yù)測(cè)方法[J]. 科學(xué)技術(shù)與工程，2024，24（27）：11919-11927.

[8] 劉思林，廖祝華，符琦，等.多影響因素下的交通流速度預(yù)測(cè)[J]. 湖南科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，39（3）：109-115.

[9] 張明慧，史小輝. 城市級(jí)智慧停車綜合管理系統(tǒng)的研究與應(yīng)用[J]. 計(jì)算機(jī)應(yīng)用與軟件，2021，38（6）：345-349.

[10] 趙曉娟，李峰.基于Conv1D和LSTM組合模型的多步交通流量預(yù)測(cè)分析[J]. 微型電腦應(yīng)用，2023，39（5）：1-3.

[11] 李星，張立. 高速公路改擴(kuò)建工程中交通擁堵路段改造方案研究[J]. 公路，2021，66（6）：294-297.

[12] 陳躍剛，杜興龍. 軌道交通網(wǎng)絡(luò)平臺(tái)的網(wǎng)絡(luò)外部性對(duì)客流的影響研究[J]. 應(yīng)用科學(xué)學(xué)報(bào)，2021，39（3）：409-418.

[13] 葉寶林，戴本岙，張鳴劍，等.基于圖卷積網(wǎng)絡(luò)的交通流預(yù)測(cè)方法綜述[J]. 南京信息工程大學(xué)學(xué)報(bào)，2024，16（3）：291-310.