佘占峰

摘? 要：伴隨著經(jīng)濟(jì)的發(fā)展，城市內(nèi)交通流量迅速增長(zhǎng)，從而導(dǎo)致城市內(nèi)交通道路擁堵問(wèn)題日益嚴(yán)峻。為了緩解道路擁堵壓力，該文提出了一種基于CNN-LSTM-PSO的深度學(xué)習(xí)短期交通流預(yù)測(cè)框架，該框架結(jié)合CNN（Convolutional Neural Network，卷積神經(jīng)網(wǎng)絡(luò)）和LSTM（Long Short Term Memory Networks，長(zhǎng)短期記憶網(wǎng)絡(luò)），并以PSO（Particle Swarm Optimization，粒子群）算法進(jìn)行混合網(wǎng)絡(luò)結(jié)構(gòu)的超參數(shù)優(yōu)化。最后通過(guò)對(duì)實(shí)際交通流數(shù)據(jù)集的實(shí)驗(yàn)驗(yàn)證該方法的有效性。

關(guān)鍵詞：交通流? 神經(jīng)網(wǎng)絡(luò)? 流量預(yù)測(cè)? ?粒子群

中圖分類號(hào)：TP183;U491? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? ?文章編號(hào)：1672-3791（2021）12（b）-0038-03

Abstract： With the economic development， the traffic flow in the city is increasing rapidly. This leads to an increasingly serious traffic congestion problem in the city. In order to alleviate the road congestion pressure， this paper proposes a deep learning short-term traffic flow prediction framework based on CNN-LSTM-PSO. The framework combines CNN （Convolutional Neural Networks） with LSTM （Long Short Term Memory networks）. What's more， it uses PSO （Particle Swarm Optimization） algorithm for hyper parameter optimization of hybrid network structure. Finally， the effectiveness of this method is verified through experiments on actual traffic flow data sets.

Key Words： Traffic flow; Neural networks; Flow prediction; Particle swarm

面對(duì)交通數(shù)據(jù)的爆炸式增長(zhǎng)，現(xiàn)代交通運(yùn)輸管理正在向數(shù)據(jù)驅(qū)動(dòng)型的智慧交通過(guò)渡，在智能交通系統(tǒng)中，數(shù)據(jù)來(lái)源于各類信息采集、傳輸設(shè)備、傳感器、攝像頭、GPS、移動(dòng)手機(jī)信號(hào)、社交媒體等。這些數(shù)據(jù)蘊(yùn)藏著交通系統(tǒng)的內(nèi)在特征，帶來(lái)了智慧交通的可行性和可預(yù)測(cè)性[1]。傳統(tǒng)的淺層預(yù)測(cè)模型無(wú)法滿足智能交通的精準(zhǔn)性需求，因此該文構(gòu)建基于CNN-LSTM-PSO深層模型的預(yù)測(cè)架構(gòu)對(duì)交通流量的進(jìn)行高效預(yù)測(cè)。神經(jīng)網(wǎng)絡(luò)算法中CNN（Convolutional Neural Networks，卷積神經(jīng)網(wǎng)絡(luò)）[2-3]和LSTM（Long Short Term Memory networks，長(zhǎng)短期記憶網(wǎng)絡(luò)）[4]。利用CNN與LSTM分別提取交通流的空間、時(shí)間特征，從而進(jìn)行短期和長(zhǎng)期預(yù)測(cè)[5-6]。為了進(jìn)一步提高預(yù)測(cè)精度，該文采用PSO優(yōu)化CNN-LSTM，提出一種CNN-LSTM-PSO算法，并應(yīng)用于交通擁堵預(yù)測(cè)。

1? CNN-LSTM-PSO的交通流量預(yù)測(cè)模型

CNN-LSTM混合網(wǎng)絡(luò)結(jié)構(gòu)由一維CNN、LSTM和特征融合層構(gòu)成。CNN層負(fù)責(zé)捕捉交通流數(shù)據(jù)的局部趨勢(shì)和特征，LSTM層負(fù)責(zé)學(xué)習(xí)交通流數(shù)據(jù)的短時(shí)變化特征和長(zhǎng)期依賴周期特征，特征融合層將不同的時(shí)空特征融合于基于特征的融合層中，最終以這些時(shí)空特征作為輸入，在回歸層進(jìn)行預(yù)測(cè)

圖1顯示了使用基于CNN-LSTM-PSO模型預(yù)測(cè)交通流量的總體架構(gòu)，CNN-LSTM-PSO模型中，CNN-LSTM學(xué)習(xí)預(yù)處理的輸入數(shù)據(jù)，從CNN的卷積層和匯集層中提取多元時(shí)間序列變量的空間性質(zhì)，LSTM層利用傳輸?shù)目臻g特征對(duì)非規(guī)則時(shí)間信息進(jìn)行建模，融合層進(jìn)行特征融合。利用粒子群優(yōu)化算法對(duì)構(gòu)成CNN-LSTM的超參數(shù)進(jìn)行優(yōu)化，對(duì)CNN核的數(shù)目、LSTM的隱藏單元和由CNN-LSTM組成的完全連接層的單元數(shù)目進(jìn)行編碼。粒子群優(yōu)化算法在移動(dòng)編碼粒子的同時(shí)找到最優(yōu)的超參數(shù)結(jié)構(gòu)。最后，應(yīng)用CNN-LSTM-PSO方法可以產(chǎn)生預(yù)測(cè)的交通流量。

2? 仿真實(shí)驗(yàn)與結(jié)果分析

該章節(jié)仿真實(shí)驗(yàn)在64位Windows 7環(huán)境下，使用Python，采用深度學(xué)習(xí)框架Keras。實(shí)驗(yàn)所使用的數(shù)據(jù)集為本地某街區(qū)為期一周的路網(wǎng)交通數(shù)據(jù)。數(shù)據(jù)包含21萬(wàn)條車輛記錄。為了驗(yàn)證PSO優(yōu)化CNN-LSTM網(wǎng)絡(luò)結(jié)構(gòu)的有效性，將最大迭代次數(shù)設(shè)為300次。

圖2是在交通數(shù)據(jù)集以CNN-LSTM-PSO和CNN-LSTM訓(xùn)練后得到的短時(shí)交通量預(yù)測(cè)曲線。該文所提出的CNN-LSTM-PSO與實(shí)測(cè)曲線的擬合程度更高，代表其交通量預(yù)測(cè)更為準(zhǔn)確，由此可以驗(yàn)證PSO優(yōu)化后的混合網(wǎng)絡(luò)結(jié)構(gòu)在交通量預(yù)測(cè)中能夠獲得誤差更小的預(yù)測(cè)結(jié)果。

3? 結(jié)語(yǔ)

為了提高道路通行效率，該文在分析現(xiàn)有的交通流量預(yù)測(cè)模型的基礎(chǔ)上，提出了一種基于CNN-LSTM-PSO的深度學(xué)習(xí)短期交通流預(yù)測(cè)方法。該方法利用了時(shí)空相關(guān)性，以獲取交通流數(shù)據(jù)的局部趨勢(shì)和長(zhǎng)期相關(guān)性之間的相關(guān)特征。利用實(shí)際的交通流數(shù)據(jù)集進(jìn)行試驗(yàn)仿真，驗(yàn)證了該方法的有效性。

參考文獻(xiàn)

[1] 戴晨.高速公路智能交通誘導(dǎo)系統(tǒng)研究[J].科技資訊，2018，16（24）：37-39.

[2] 黎旭成.基于卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶模型的交通狀態(tài)預(yù)測(cè)[C]//品質(zhì)交通與協(xié)同共治——2019年中國(guó)城市交通規(guī)劃年會(huì)論文集.北京：中國(guó)建筑工業(yè)出版社，2019：2873-2884.

[3] 原建洋，葛陽(yáng)，蔣曉梅.基于深度多尺度卷積神經(jīng)網(wǎng)絡(luò)的剩余使用壽命預(yù)測(cè)模型[J].科技創(chuàng)新導(dǎo)報(bào)， 2020，17（15）：243-244.

[4] 趙庶旭，張寶花.基于LSTM-RF模型的城市道路交通流預(yù)測(cè)[J].測(cè)試科學(xué)與儀器，2020，11（2）：135-142.

[5] TIAN Yan，ZHANG Kaili，LI Jianyuaan， et al.LSTM-based traffic flow prediction with missing data[J]. Neurocomputing，2018，318（27）：297-305.

[6] Toon Bogaerts，Antonio Pavid Masegosa，Juan S.Angarita Zapata， et al.A graph CNN-LSTM neural network for short and long-term traffic forecasting based on trajectory data[J].Transportation Research Part C： Emerging Technologies，2020，112：62-77.