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網絡交通流預測［J］.網絡安全與數據治理，2023，42（8）：52-58.
0 引言
隨著經濟的發展，城市機動車數量呈爆發式增長，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，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。因為基于統計非參數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了交通預測的主要地位，主要包括深度神經網絡（Deep Neural Networks，DNN）、傳統循環神經網絡（Recurrent Neural Network，RNN）、卷積神經網絡（Convolutional Neural Network，CNN）、長短期記憶神經網絡（Long ShortTerm 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勢。文獻［3］對比了多種深度神經網絡，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網絡的模型，并通過實驗證明不同的LSTM層數、不同的參數選取方法、不同的迭代次數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更為穩定。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據進行處理，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，將數據集劃分為工作日和節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］發現交通流數據會隨時間變化而變化，具有不確定性。典型的LSTM模型不能發現長期依賴關系，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PSOLSTM模型是預測交通速度的優勢模型，是挖掘長時間依賴關系的有效模型。
綜上所述，本文根據已有文獻確定LSTM模型是預測交通流的優勢模型，考慮天氣、季節、降水量、節假日和用戶行為等其他因素對用戶出行時空數據的影響，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優化LSTM*模型的輸入層權值和學習率，構建PSOLSTM*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勢模型。
本文詳細內容請下載：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）
