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(lǐng)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(yù)測是建設(shè)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(guān)于短期車流量的預(yù)測問題，近半個世紀內(nèi)有很多研究成果。因為基于統(tǒng)計非參數(shù)方法預(yù)測的模型大多結(jié)構(gòu)簡單，魯棒性較差，不能精確預(yù)測，所以深度學習的方法慢慢占據(jù)了交通預(yù)測的主要地位，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［2］通過對比不同預(yù)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(yù)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(luò)，證明基于LSTM的交通流量預(yù)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(guān)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(yù)測上擁有較高的精度。史亞星［5］在預(yù)測路口交通流量變化時使用基于自動編碼器和LSTM網(wǎng)絡(luò)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(chǎn)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(yù)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(yù)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(yù)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(yù)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(guān)系，面對長期交通流預(yù)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(quán)重進行優(yōu)化，從而在不增加模型復雜度的同時最小化預(yù)測誤差。文獻［13］以昆明市為例，證明了PSOLSTM模型是預(yù)測交通速度的優(yōu)勢模型，是挖掘長時間依賴關(guān)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(yù)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(yù)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(guān)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(quán)值和學習率，構(gòu)建PSOLSTM*預(yù)測模型，并將其性能與LSTM*模型進行比較，獲得預(yù)測長期車流量的優(yōu)勢模型。

本文詳細內(nèi)容請下載：http://m.jysgc.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）