鄭友康，王紅蕾

（貴州大學(xué)電氣工程學(xué)院，貴州 貴陽 550025）

0 引言

實時、準確的交通流量預(yù)測能夠為出行者提前規(guī)劃合理的路線，減緩交通擁堵和空氣污染，節(jié)約出行時間，因此，對短時道路交通流量預(yù)測的研究具有重要的現(xiàn)實意義。楊高飛[1]等人應(yīng)用ARMA和卡爾曼濾波來對未來短時道路交通流量進行研究，劉釗[2]等提出了用基于時空參數(shù)的 KNN算法對序列狀態(tài)向量進行重建。但是，道路交通流量時間序列具有隨機性和高度的非線性，為了更深層次挖掘道路交通流量時間序列的特征，也有學(xué)者將目光轉(zhuǎn)向機器學(xué)習(xí)的支持向量機等方法上，韓志聰[2]等提出了基于GA-SVR模型的短期交通流量預(yù)測方法，并取得了比較好的效果。近年來，有越來越多的學(xué)者運用深度學(xué)習(xí)相關(guān)方法來進行道路交通流量的預(yù)測，劉明宇[3]等提出了一種基于GRU深度學(xué)習(xí)模型的交通流量預(yù)測研究方法，預(yù)測精度還是不高。提出的基于長短時記憶模型的方法，實現(xiàn)對道路短時交通流量的預(yù)測，提高了道路交通流量預(yù)測的準確性。

1 模型設(shè)計

1.1 長短期記憶模型（LSTM）

長短期記憶模型（LSTM）是一種特殊的 RNN模型，是為了解決RNN模型梯度消失的問題而提出的[4]。LSTM 的循環(huán)結(jié)構(gòu)由 3個控制門組成，由遺忘門（forget gate）、輸入門（external input gate）和輸出門（output gate）組成。它的結(jié)構(gòu)如圖1所示。

圖1 LSTM單元結(jié)構(gòu)圖Fig.1 LSTM unit structure

各個門的激活方式為：

其中 g代表邏輯函數(shù)sigmond,值域在[0,1]區(qū)間內(nèi)，通過g函數(shù)的映射。f代表遺忘門，i代表輸入門，o代表輸出門，h為神經(jīng)元細胞輸出，c代表隱含細胞狀態(tài)，p表示tanh函數(shù)，構(gòu)建候選向量[5-7]。

1.2 模型構(gòu)建

假設(shè)時間 t時刻待預(yù)測路口橫斷面交通流量為v(t)，嵌入維數(shù)為m，時間間隔為p，則有集合x(i)={v(t-p)},v(t-2*p),…,v(t-(m-1)*p)}，樣本{x(i),v(t)}為一個訓(xùn)練樣本，任務(wù)是通過模型挖掘歷史狀態(tài)序列數(shù)據(jù)的特征，預(yù)測未來一段時間的路口交通流量[8-9]，即 v(t)=h(x(i))。

我們的任務(wù)是找出h，如圖2所示。

圖2 模型結(jié)構(gòu)Fig.2 Model structure

1.3 自適應(yīng)學(xué)習(xí)率

深度學(xué)習(xí)算法使用梯度[10]下降來進行權(quán)重參數(shù)的更新，在LSTM中，參數(shù)更新方式為：

其中ω代表LSTM待優(yōu)化參數(shù)，η表示學(xué)習(xí)速率，為一常量，E代表傳播誤差。

梯度下降算法并不能保證使得損失函數(shù)達到全局最優(yōu)的位置，并且隨著迭代次數(shù)的增多，參數(shù)ω的值理論上越來越接近極值點，若使學(xué)習(xí)率η參數(shù)一直保持原值，則在更新參數(shù)時可能會跳出極值點范圍，進一步，會使得模型失效。為了解決這個問題，筆者提出了一種自適應(yīng)學(xué)習(xí)率方法來改進LSTM在權(quán)重更新時可能會遇到的“跳出”怪圈，改進為：

其中ig表示損失函數(shù)關(guān)于ω的第i次偏導(dǎo)數(shù)，iη代表第i次更新的學(xué)習(xí)速率值，代表E代表損失函數(shù)。

2 實驗設(shè)計及仿真分析

2.1 數(shù)據(jù)的獲取

這里選取了安徽省合肥市某路口的道路交通流量數(shù)據(jù)，時間范圍為2016年6.22號到2016年6月30號，去除雙休時間，時間間隔為2分鐘，嵌入維數(shù)為4，得到了899組樣本，其中前720個樣本作為訓(xùn)練集，后179個樣本作為測試集。

2.2 模型的對比和指標(biāo)選取

本文采用了支持向量回歸（SVR），普通長短期記憶模型（LSTM）進行對比，選取了均方根誤差（RMSE）兩個指標(biāo)來對模型的質(zhì)量做出評價，下面給出它的定義：

式中iy代表實際交通流量，iy˙代表模型預(yù)測的交通流量，n代表了模型中預(yù)測的點的個數(shù)。

2.3 結(jié)果分析

仿真環(huán)境是64位的windows7系統(tǒng)，python版本為3.5.0，使用sublime_text3作為編輯器，keras，sklearn的開發(fā)庫。對于支持向量回歸（SVR），核函數(shù)選取非線性函數(shù) RBF，gama=0.2，C=100，選擇t=10的交叉驗證方法，epochs=10，batch_size=1，LSTM，隱含層神經(jīng)元數(shù)為 156，學(xué)習(xí)速率常量取0.3，以下是各種算法在同一測試數(shù)據(jù)集下的預(yù)測分布圖。

圖3 SVR預(yù)測結(jié)果Fig.3 SVR prediction results

圖4 LSTM預(yù)測結(jié)果Fig.4 LSTM prediction results

圖5 ILSTM預(yù)測結(jié)果Fig.5 ILSTM prediction results

分析知ILSTM相對于和SVR，LSTM模型在訓(xùn)練集和測試集擁有更好的預(yù)測精度，因為它們有更深的層次結(jié)構(gòu)，對交通流量時間序列的特征挖掘更深，這說明LSTM相對復(fù)雜的結(jié)構(gòu)能夠提升模型的精準度，SVR雖然在訓(xùn)練集上擁有更好的預(yù)測精度，但其泛化能力不高，在測試集上表現(xiàn)變差。

三種模型誤差對比如表1所示。

表1 三種模型誤差對比Tab.1 Error comparison of three models

3 結(jié)論

為了提高對研究路口道路交通流量預(yù)測的精度，分別嘗試了K最近鄰回歸（KNN）,支持向量回歸（SVR），普通長短期記憶模型（LSTM）以及改進長短期記憶模型（ILSTM）等算法，仿真結(jié)果顯示，改進的ILSTM的深度學(xué)習(xí)算法具有更好的預(yù)測精度?？梢詾榘不帐『戏适薪痪块T的交通疏導(dǎo)以及決策提供依據(jù)。