《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 通信與網(wǎng)絡(luò) > 設(shè)計(jì)應(yīng)用 > 基于改進(jìn)的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)
基于改進(jìn)的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)
網(wǎng)絡(luò)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(xué)物理與電子信息學(xué)院,，安徽蕪湖241000； 2.安徽智能機(jī)器人信息融合與控制工程實(shí)驗(yàn)室，安徽蕪湖241000）
摘要： 針對(duì)未來(lái)時(shí)刻交通流量的預(yù)測(cè)問(wèn)題，在考慮歷史時(shí)刻車(chē)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(shí),，提出一種考慮多方面影響因素的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM*)模型,。實(shí)驗(yàn)表明在對(duì)短期車(chē)流量進(jìn)行預(yù)測(cè)時(shí)，LSTM*模型的準(zhǔn)確性優(yōu)于現(xiàn)有的基線方法,；對(duì)長(zhǎng)期車(chē)流量進(jìn)行預(yù)測(cè)時(shí),，基于粒子群算法改進(jìn)的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（PSOLSTM*）模型的準(zhǔn)確性優(yōu)于LSTM*模型。
中圖分類號(hào)：TP18
文獻(xiàn)標(biāo)識(shí)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(jìn)的長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)交通流預(yù)測(cè)［J］.網(wǎng)絡(luò)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(jì)的發(fā)展，城市機(jī)動(dòng)車(chē)數(shù)量呈爆發(fā)式增長(zhǎng),，交通堵塞問(wèn)題日益嚴(yán)峻,。自從2020年我國(guó)提出“雙碳”目標(biāo)后，交通領(lǐng)域作為第三大碳排放源,，其節(jié)能減排任重道遠(yuǎn),。交通流量預(yù)測(cè)是建設(shè)智慧城市中必須面對(duì)的重大挑戰(zhàn),，精準(zhǔn)和及時(shí)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(guān)于短期車(chē)流量的預(yù)測(cè)問(wèn)題,，近半個(gè)世紀(jì)內(nèi)有很多研究成果。因?yàn)榛诮y(tǒng)計(jì)非參數(shù)方法預(yù)測(cè)的模型大多結(jié)構(gòu)簡(jiǎn)單,，魯棒性較差,，不能精確預(yù)測(cè)，所以深度學(xué)習(xí)的方法慢慢占據(jù)了交通預(yù)測(cè)的主要地位,，主要包括深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks,，DNN）、傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network,，RNN）,、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）,、長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（Long ShortTerm Memory,，LSTM）和注意力模型等。

在已有研究中,，文獻(xiàn)［2］通過(guò)對(duì)比不同預(yù)測(cè)方法,，證明了基于RNN的深度學(xué)習(xí)方法與自回歸綜合移動(dòng)平均模型相比，在預(yù)測(cè)交通流上更具優(yōu)勢(shì),。文獻(xiàn)［3］對(duì)比了多種深度神經(jīng)網(wǎng)絡(luò),，證明基于LSTM的交通流量預(yù)測(cè)模型具有更好的擬合能力。

薛佳瑤等［4］利用CNN挖掘車(chē)流量在空間上的相關(guān)性,，利用LSTM挖掘車(chē)流量在時(shí)間上的依賴性,，所提出的模型在車(chē)流量預(yù)測(cè)上擁有較高的精度。史亞星［5］在預(yù)測(cè)路口交通流量變化時(shí)使用基于自動(dòng)編碼器和LSTM網(wǎng)絡(luò)的模型,，并通過(guò)實(shí)驗(yàn)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(huì)對(duì)模型的準(zhǔn)確率產(chǎn)生影響,。宋予佳等［6］對(duì)比了LSTM和向量自回歸模型,，通過(guò)實(shí)驗(yàn)證明LSTM模型在對(duì)大量短期車(chē)流量預(yù)測(cè)上表現(xiàn)更為穩(wěn)定。雖然以上研究證明LSTM模型可以對(duì)短期交通流進(jìn)行預(yù)測(cè),，但它們沒(méi)有考慮到其他因素對(duì)車(chē)流量的影響,。

為了進(jìn)一步提高模型準(zhǔn)確率，文獻(xiàn)［7］在采用LSTM算法的同時(shí),，用多因素分析的思想對(duì)數(shù)據(jù)進(jìn)行處理,，來(lái)預(yù)測(cè)未來(lái)時(shí)刻車(chē)流量變化。文獻(xiàn)［8］考慮日期特性對(duì)車(chē)流量的影響,，將數(shù)據(jù)集劃分為工作日和節(jié)假日以對(duì)道路擁堵情況做出更為準(zhǔn)確的判斷,。文獻(xiàn)［9］將降水量納入交通流量預(yù)測(cè)模型,；文獻(xiàn)［10］證明了考慮降雨的情況下，LSTM模型在捕獲時(shí)間序列方面也有更好的性能,。

進(jìn)一步,，文獻(xiàn)［11］發(fā)現(xiàn)交通流數(shù)據(jù)會(huì)隨時(shí)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(zhǎng)期依賴關(guān)系,，面對(duì)長(zhǎng)期交通流預(yù)測(cè)問(wèn)題時(shí)，LSTM模型精度有所下降,。文獻(xiàn)［12］提出利用粒子群算法（Particle Swarm Optimization,，PSO）對(duì)LSTM模型權(quán)重進(jìn)行優(yōu)化，從而在不增加模型復(fù)雜度的同時(shí)最小化預(yù)測(cè)誤差,。文獻(xiàn)［13］以昆明市為例,，證明了PSOLSTM模型是預(yù)測(cè)交通速度的優(yōu)勢(shì)模型，是挖掘長(zhǎng)時(shí)間依賴關(guān)系的有效模型,。

綜上所述,，本文根據(jù)已有文獻(xiàn)確定LSTM模型是預(yù)測(cè)交通流的優(yōu)勢(shì)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(duì)用戶出行時(shí)空數(shù)據(jù)的影響,，提出LSTM*模型,，以提高短期車(chē)流量預(yù)測(cè)的精度。進(jìn)一步,，為了解決LSTM*（考慮其他影響因素的LSTM）模型不能處理長(zhǎng)時(shí)間依賴關(guān)系的問(wèn)題,，本文引入粒子群算法并對(duì)其改進(jìn)。通過(guò)改進(jìn)的PSO優(yōu)化LSTM*模型的輸入層權(quán)值和學(xué)習(xí)率,，構(gòu)建PSOLSTM*預(yù)測(cè)模型,，并將其性能與LSTM*模型進(jìn)行比較，獲得預(yù)測(cè)長(zhǎng)期車(chē)流量的優(yōu)勢(shì)模型,。



本文詳細(xì)內(nèi)容請(qǐng)下載：http://forexkbc.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(xué)物理與電子信息學(xué)院,，安徽蕪湖241000；

2安徽智能機(jī)器人信息融合與控制工程實(shí)驗(yàn)室,，安徽蕪湖241000）

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。