《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 其他 > 設(shè)計(jì)應(yīng)用 > 基于PSO優(yōu)化Bi-LSTM的交通流量預(yù)測(cè)
基于PSO優(yōu)化Bi-LSTM的交通流量預(yù)測(cè)
網(wǎng)絡(luò)安全與數(shù)據(jù)治理 2期
樊 沖
(錦州市大數(shù)據(jù)中心,，遼寧 錦州121000)
摘要： 針對(duì)城市交通流量強(qiáng)隨機(jī)性的問題,，為克服非線性和時(shí)變特點(diǎn)的影響,，提出了基于粒子群（PSO）優(yōu)化雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（Bi-LSTM）的交通流量預(yù)測(cè)模型，達(dá)到城市交通流量高精度預(yù)測(cè)效果,。首先,，建立基于Bi-LSTM的交通流量短期預(yù)測(cè)模型；其次,，采用粒子群PSO算法對(duì)Bi-LSTM模型的超參數(shù)進(jìn)行尋優(yōu),，提升預(yù)測(cè)模型的泛化性。通過對(duì)比實(shí)驗(yàn)分析,，驗(yàn)證了該交通流量預(yù)測(cè)模型具有更優(yōu)的性能。
中圖分類號(hào)： TP393,；U491
文獻(xiàn)標(biāo)識(shí)碼： A
DOI： 10.20044/j.csdg.2097-1788.2022.02.011
引用格式： 樊沖. 基于PSO優(yōu)化Bi-LSTM的交通流量預(yù)測(cè)[J].網(wǎng)絡(luò)安全與數(shù)據(jù)治理,，2022，41(2)：68-73.
Traffic flow prediction based on PSO optimized Bi-LSTM
Fan Chong
(Jinzhou Big Data Center,，Jinzhou 121000,，China)
Abstract： Aiming at the problem of strong randomness of urban traffic flow, a traffic flow prediction model based on Particle Swarm Optimization(PSO) Bi-directional Long Short-Term Memory(LSTM) network is proposed in order to overcome the influence of nonlinear and time-varying characteristics, which realizes the high-precision predictive effect of urban traffic flow. Firstly, the short-term prediction model of traffic flow based on Bi-LSTM is established; Secondly, the hyperparameters of Bi-LSTM model are optimized using Particle Swarm Optimization(PSO) algorithm to improve the generalization of the prediction model. The traffic flow prediction model proposed in this paper is verified to own better performance through the contrast experiment analysis.
Key words : traffic flow；flow prediction,；Bi-directional Long Short-Term Memory(Bi-LSTM),；particle swarm optimization

0 引言

交通運(yùn)輸是一個(gè)廣泛的以人為本的領(lǐng)域,，有各種各樣的、具有挑戰(zhàn)性的問題有待解決,。運(yùn)輸系統(tǒng),、服務(wù)、成本,、基礎(chǔ)設(shè)施,、車輛和控制系統(tǒng)的特征和性能通常是在定量評(píng)價(jià)其主要作用的基礎(chǔ)上定義的。大多數(shù)交通決策都是在不精確,、不確定和不完全真實(shí)的情況下做出的,，有些目標(biāo)和約束通常難以用清晰的值來衡量。傳統(tǒng)的分析技術(shù)在處理變量之間的依賴關(guān)系過于復(fù)雜或定義不清的問題時(shí)被發(fā)現(xiàn)是無效的,。此外,，硬計(jì)算模型不能有效地處理交通流量的不確定性。為了解決以上問題,，在過去的十年中,，人們對(duì)交通和運(yùn)輸系統(tǒng)的軟計(jì)算應(yīng)用進(jìn)行了研究，并且在此領(lǐng)域取得了一些重要成果[1],。

使用軟計(jì)算方法建模和分析交通運(yùn)輸系統(tǒng)不僅可以處理定量或定性的問題,，還可以有效地解決涉及不精確和不確定性的復(fù)雜問題。軟計(jì)算可以用來彌補(bǔ)交通運(yùn)輸研究中規(guī)范決策模型和描述性決策模型之間的差距,。交通問題可以分為四個(gè)主要領(lǐng)域：交通控制和管理,、交通規(guī)劃和管理、物流,、交通設(shè)施的設(shè)計(jì)和建設(shè),。本課題所研究的交通流預(yù)測(cè)屬于第一個(gè)研究領(lǐng)域。自20世紀(jì)90年代以來,，軟計(jì)算界一直在研究,、攻克這個(gè)領(lǐng)域的相關(guān)問題。其中,，Pamula等人[2]基于神經(jīng)網(wǎng)絡(luò)在城市交通管理系統(tǒng)中的應(yīng)用,，提出了一種基于神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測(cè)方法。Bucur等人[3]建議使用自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)[4-9]進(jìn)行交通預(yù)測(cè),，提出一種可以跟蹤由于天氣條件,、季節(jié)或其他因素造成的概率分布漂移的架構(gòu)。文獻(xiàn)[10]構(gòu)建了實(shí)時(shí)交通流量模型,，構(gòu)建模型時(shí)將自回歸滑動(dòng)平均模型與支持向量回歸模型進(jìn)行結(jié)合,，克服了預(yù)測(cè)過程中的非線性問題。文獻(xiàn)[11]為了解決模型在預(yù)測(cè)過程中會(huì)陷入局部最優(yōu)問題，采用蟻群算法對(duì)基于BP神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測(cè)模型的參數(shù)進(jìn)行了優(yōu)化,。文獻(xiàn)[12]構(gòu)建了季節(jié)性差分自回歸滑動(dòng)平均模型和BP的組合模型,，并以實(shí)測(cè)數(shù)據(jù)對(duì)構(gòu)建的交通流量預(yù)測(cè)模型進(jìn)行了驗(yàn)證。文獻(xiàn)[13]對(duì)城市交通流量預(yù)測(cè)時(shí),，對(duì)其進(jìn)行了短時(shí)流量預(yù)測(cè),，并取得了較好的預(yù)測(cè)效果。文獻(xiàn)[14]采用灰色極限學(xué)習(xí)機(jī)模型,，實(shí)現(xiàn)了短時(shí)交通流量預(yù)測(cè)模型的構(gòu)建,，并驗(yàn)證了所提模型的有效性。以上研究均使用神經(jīng)網(wǎng)絡(luò)模型來進(jìn)行交通流量預(yù)測(cè),，未能很好地應(yīng)對(duì)交通流量強(qiáng)隨機(jī)性對(duì)于預(yù)測(cè)結(jié)果的影響,。鑒于此，本文研究了強(qiáng)隨機(jī)性對(duì)交通流量預(yù)測(cè)結(jié)果的影響,，提出了更高預(yù)測(cè)精度的城市交通流量預(yù)測(cè)模型,。首先，基于雙向長(zhǎng)短時(shí)記憶(Bi-directional Long Short-Term Memory,，Bi-LSTM)算法,，建立了交通流量短期預(yù)測(cè)模型；其次,，為了進(jìn)一步提升Bi-LSTM的交通流量短期預(yù)測(cè)模型性能,，采用粒子群優(yōu)化算法(Particle Swarm Optimization，PSO)對(duì)Bi-LSTM模型的超參數(shù)進(jìn)行尋優(yōu),，確定預(yù)測(cè)模型的最優(yōu)超參數(shù)組合,，有效提升預(yù)測(cè)模型的泛化性，實(shí)現(xiàn)交通流量的精準(zhǔn)預(yù)測(cè),。





本文詳細(xì)內(nèi)容請(qǐng)下載：http://forexkbc.com/resource/share/2000004861




作者信息：

樊  沖

(錦州市大數(shù)據(jù)中心,，遼寧 錦州121000)

微信圖片_20210517164139.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載,。