《電子技術應用》
您所在的位置：首頁 > 通信與網(wǎng)絡 > 設計應用 > 基于改進的長短期記憶神經(jīng)網(wǎng)絡交通流預測
基于改進的長短期記憶神經(jīng)網(wǎng)絡交通流預測
網(wǎng)絡安全與數(shù)據(jù)治理 8期
丁梓瓊，湯廣李，張波濤，盧自寶
（1.安徽師范大學物理與電子信息學院，安徽蕪湖241000； 2.安徽智能機器人信息融合與控制工程實驗室，安徽蕪湖241000）
摘要： 針對未來時刻交通流量的預測問題，在考慮歷史時刻車流量數(shù)據(jù)、日期屬性、天氣、降雨量等多方面影響因素的同時，提出一種考慮多方面影響因素的長短期記憶神經(jīng)網(wǎng)絡(LSTM*)模型。實驗表明在對短期車流量進行預測時，LSTM*模型的準確性優(yōu)于現(xiàn)有的基線方法；對長期車流量進行預測時，基于粒子群算法改進的長短期記憶神經(jīng)網(wǎng)絡（PSOLSTM*）模型的準確性優(yōu)于LSTM*模型。
中圖分類號：TP18
文獻標識碼：A
DOI:10.19358/j.issn.2097-1788.2023.08.009
引用格式：丁梓瓊，湯廣李，張波濤，等.基于改進的長短期記憶神經(jīng)網(wǎng)絡交通流預測［J］.網(wǎng)絡安全與數(shù)據(jù)治理，2023，42（8）：52-58.
Traffic flow prediction based on improved long shortterm memory neural network
Ding Ziqiong1，Tang Guangli1，Zhang Botao1，Lu Zibao1,2
(1School of Physics and Electronic Information, Anhui Normal University, Wuhu 241000, China; 2Anhui Provincial Engineering Laboratory on Information Fusion and Control of Intelligent Robot, Wuhu 241000, China)
Abstract： In order to predict the future traffic flow, a long shortterm memory neural network (LSTM*) model is proposed, which takes into account many influencing factors such as traffic flow data, date attribute, weather and rainfall at historical time. The experimental results show that the accuracy of LSTM* model is better than the existing baseline method when predicting shortterm traffic flow. When predicting longterm traffic flow, the accuracy of the long shortterm memory neural network model based on particle swarm optimization algorithm (PSOLSTM*) is better than that of LSTM* model.
Key words : flow prediction; neural network; improved PSO; influencing factors of traffic flow

0     引言

隨著經(jīng)濟的發(fā)展，城市機動車數(shù)量呈爆發(fā)式增長，交通堵塞問題日益嚴峻。自從2020年我國提出“雙碳”目標后，交通領域作為第三大碳排放源，其節(jié)能減排任重道遠。交通流量預測是建設智慧城市中必須面對的重大挑戰(zhàn)，精準和及時的交通信息不僅可以為居民提供合理的路徑規(guī)劃，幫助駕駛員高效出行，而且可以緩解交通壓力，最大限度利用道路資源［1］。

關于短期車流量的預測問題，近半個世紀內有很多研究成果。因為基于統(tǒng)計非參數(shù)方法預測的模型大多結構簡單，魯棒性較差，不能精確預測，所以深度學習的方法慢慢占據(jù)了交通預測的主要地位，主要包括深度神經(jīng)網(wǎng)絡（Deep Neural Networks，DNN）、傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡（Recurrent Neural Network，RNN）、卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）、長短期記憶神經(jīng)網(wǎng)絡（Long ShortTerm Memory，LSTM）和注意力模型等。

在已有研究中，文獻［2］通過對比不同預測方法，證明了基于RNN的深度學習方法與自回歸綜合移動平均模型相比，在預測交通流上更具優(yōu)勢。文獻［3］對比了多種深度神經(jīng)網(wǎng)絡，證明基于LSTM的交通流量預測模型具有更好的擬合能力。

薛佳瑤等［4］利用CNN挖掘車流量在空間上的相關性，利用LSTM挖掘車流量在時間上的依賴性，所提出的模型在車流量預測上擁有較高的精度。史亞星［5］在預測路口交通流量變化時使用基于自動編碼器和LSTM網(wǎng)絡的模型，并通過實驗證明不同的LSTM層數(shù)、不同的參數(shù)選取方法、不同的迭代次數(shù)等都會對模型的準確率產生影響。宋予佳等［6］對比了LSTM和向量自回歸模型，通過實驗證明LSTM模型在對大量短期車流量預測上表現(xiàn)更為穩(wěn)定。雖然以上研究證明LSTM模型可以對短期交通流進行預測，但它們沒有考慮到其他因素對車流量的影響。

為了進一步提高模型準確率，文獻［7］在采用LSTM算法的同時，用多因素分析的思想對數(shù)據(jù)進行處理，來預測未來時刻車流量變化。文獻［8］考慮日期特性對車流量的影響，將數(shù)據(jù)集劃分為工作日和節(jié)假日以對道路擁堵情況做出更為準確的判斷。文獻［9］將降水量納入交通流量預測模型；文獻［10］證明了考慮降雨的情況下，LSTM模型在捕獲時間序列方面也有更好的性能。

進一步，文獻［11］發(fā)現(xiàn)交通流數(shù)據(jù)會隨時間變化而變化，具有不確定性。典型的LSTM模型不能發(fā)現(xiàn)長期依賴關系，面對長期交通流預測問題時，LSTM模型精度有所下降。文獻［12］提出利用粒子群算法（Particle Swarm Optimization，PSO）對LSTM模型權重進行優(yōu)化，從而在不增加模型復雜度的同時最小化預測誤差。文獻［13］以昆明市為例，證明了PSOLSTM模型是預測交通速度的優(yōu)勢模型，是挖掘長時間依賴關系的有效模型。

綜上所述，本文根據(jù)已有文獻確定LSTM模型是預測交通流的優(yōu)勢模型，考慮天氣、季節(jié)、降水量、節(jié)假日和用戶行為等其他因素對用戶出行時空數(shù)據(jù)的影響，提出LSTM*模型，以提高短期車流量預測的精度。進一步，為了解決LSTM*（考慮其他影響因素的LSTM）模型不能處理長時間依賴關系的問題，本文引入粒子群算法并對其改進。通過改進的PSO優(yōu)化LSTM*模型的輸入層權值和學習率，構建PSOLSTM*預測模型，并將其性能與LSTM*模型進行比較，獲得預測長期車流量的優(yōu)勢模型。



本文詳細內容請下載：http://theprogrammingfactory.com/resource/share/2000005467




作者信息：

丁梓瓊1，湯廣李1，張波濤1，盧自寶1,2

（1安徽師范大學物理與電子信息學院，安徽蕪湖241000；

2安徽智能機器人信息融合與控制工程實驗室，安徽蕪湖241000）

微信圖片_20210517164139.jpg

此內容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權禁止轉載。