李 杰，張子辰，孟凡熙，朱 瑋

（長(zhǎng)安大學(xué) 電子與控制工程學(xué)院，西安 710064）

短期交通流預(yù)測(cè)是智能交通系統(tǒng)的重要技術(shù)基礎(chǔ)，建立高精度的短期交通流預(yù)測(cè)模型，對(duì)于交通管理與規(guī)劃、緩解交通擁堵和提高交通效率具有重要意義.文獻(xiàn)［1］針對(duì)短時(shí)交通流數(shù)據(jù)的非線性和隨機(jī)性特點(diǎn)，為提高其預(yù)測(cè)精度，提出了一種基于自適應(yīng)最稀疏窄帶分解（adaptive sparsest narrow-band decomposition，ASNBD）和復(fù)合多尺度模糊熵（composite multiscale fuzzy entropy，CMFE）的短時(shí)交通流數(shù)據(jù)特征信息提取方法，試驗(yàn)結(jié)果表明，該方法可以有效提取短期交通流中的特征信息，進(jìn)而提高預(yù)測(cè)精度；文獻(xiàn)［2］將擴(kuò)展Kalman濾波算法應(yīng)用于高速公路交通流模型中，并討論了該模型在一條具有3個(gè)等長(zhǎng)路段的公路的應(yīng)用，對(duì)該路段車流密度、車流速度進(jìn)行跟蹤，仿真結(jié)果證明了該算法具有很高的實(shí)用性；文獻(xiàn)［3］建立了一種基于張量分解的算法，實(shí)現(xiàn)了短期交通流數(shù)據(jù)的建模預(yù)測(cè)；文獻(xiàn)［4］提出了一種基于支持的短期交通流預(yù)測(cè)模型，并運(yùn)用該模型對(duì)指定地點(diǎn)及其鄰域內(nèi)的交通流數(shù)據(jù)進(jìn)行建模分析；文獻(xiàn)［5］提出了一種基于褪色卡爾曼濾波的算法，對(duì)藍(lán)牙采集到的交通流數(shù)據(jù)進(jìn)行預(yù)測(cè)實(shí)驗(yàn).以上模型結(jié)構(gòu)簡(jiǎn)單且計(jì)算方便，但是針對(duì)高度非線性、不穩(wěn)定的交通序列難以達(dá)到較好的效果，且模型抗干擾能力有待提高.

近年來，隨著數(shù)學(xué)理論的發(fā)展和深度學(xué)習(xí)的崛起，越來越多的學(xué)者將深度學(xué)習(xí)應(yīng)用于交通流預(yù)測(cè)領(lǐng)域中.文獻(xiàn)［6］提出了一種深度全連接神經(jīng)網(wǎng)絡(luò)模型，對(duì)短期交通流時(shí)間序列進(jìn)行預(yù)測(cè)，并通過參數(shù)調(diào)整，提高了預(yù)測(cè)精度；文獻(xiàn)［7］提出了一種基于圖卷積網(wǎng)絡(luò)的深度學(xué)習(xí)模型，對(duì)車速和車流量數(shù)據(jù)進(jìn)行了建模預(yù)測(cè)；文獻(xiàn)［8］提出了一種時(shí)空深度張量神經(jīng)網(wǎng)絡(luò)模型（spatial-temporal deep tensor neural networks，ST-DTNN）來捕獲網(wǎng)絡(luò)交通流數(shù)據(jù)中的時(shí)間維、空間維和深度維特征信息，形成融合路段傳輸模型和深度學(xué)習(xí)的城市路網(wǎng)短時(shí)交通流預(yù)測(cè)模型，實(shí)驗(yàn)證明，該模型相對(duì)于基準(zhǔn)模型預(yù)測(cè)精度更高，且具備模擬演化機(jī)理方面的優(yōu)勢(shì)；文獻(xiàn)［9］提出了一種基于時(shí)空?qǐng)D卷積循環(huán)神經(jīng)網(wǎng)絡(luò)（spatiotemporal graph-convolutional recurrent neural network，STG-CRNN）的短期交通流預(yù)測(cè)模型，將時(shí)空?qǐng)D作為預(yù)測(cè)模型的輸入，采用圖卷積獲取交通流數(shù)據(jù)空間依賴關(guān)系，采用門控循環(huán)神經(jīng)網(wǎng)絡(luò)獲取交通流數(shù)據(jù)的時(shí)空依賴關(guān)系，在美國(guó)公共數(shù)據(jù)集中進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果表明，該模型在平均絕對(duì)誤差、均方根誤差、平均絕對(duì)百分比誤差上均優(yōu)于其他競(jìng)爭(zhēng)模型；文獻(xiàn)［10］提出了基于注意力機(jī)制和1DCNN-LSTM（convolutional neural networks-long short-term memory）網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)模型，該模型結(jié)合了CNN（convolutional neural networks）的時(shí)間擴(kuò)展和LSTM（long short-term memory，LSTM）的長(zhǎng)時(shí)記憶的優(yōu)點(diǎn)，提高了交通流的預(yù)測(cè)精度；文獻(xiàn)［11］提出了一種多組分時(shí)空跨域神經(jīng)網(wǎng)絡(luò)模型，該模型采用Conv-LSTM（convolutional neural networks-long short-term memory）或Conv-GRU（convolutional neural networks-gated recurrent unit）對(duì)多種數(shù)據(jù)進(jìn)行建模，將模型與時(shí)間戳特征嵌入、多個(gè)跨域數(shù)據(jù)融合相結(jié)合，并與其他模型共同輔助模型進(jìn)行流量預(yù)測(cè).以上研究雖然顯示出了更快的收斂速度和更強(qiáng)的魯棒性，但是面對(duì)非平穩(wěn)性和非線性極強(qiáng)的交通流序列，預(yù)測(cè)精度仍有待提高.

經(jīng)驗(yàn)?zāi)B(tài)分解（empirical mode decomposition，EMD）能夠?qū)⒔煌餍盘?hào)分解成多個(gè)固有模態(tài)分量，使得由多個(gè)特征影響的復(fù)雜序列被分解為由單一特征影響的信號(hào)，從而提高交通流序列的平穩(wěn)性［12］，易于分析和建模，但其缺點(diǎn)在于多個(gè)特征尺度的信號(hào)在同一個(gè)模態(tài)分量中出現(xiàn)，使得冗雜信號(hào)被引入各個(gè)模態(tài)分量，出現(xiàn)模態(tài)混疊現(xiàn)象［13］.相對(duì)于LSTM，雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（bidirectional long short-term memory，BiLSTM）的優(yōu)點(diǎn)在于從正向和反向同時(shí)讀取輸入序列［14］，使得模型可以更充分的學(xué)習(xí)交通流序列中的時(shí)間關(guān)系，提高模型的預(yù)測(cè)精度.此外，注意力機(jī)制（attention mechanism，AM）能夠進(jìn)一步捕捉對(duì)于整個(gè)時(shí)間序列更加有影響力的時(shí)間點(diǎn)，并對(duì)其分配更高的訓(xùn)練權(quán)重，提高遞歸模型的特征提取能力［15］.因此，本文針對(duì)車道占用率序列，提出了一種基于集成經(jīng)驗(yàn)?zāi)B(tài)分解（ensenmble empirical mode decomposition，EEMD）和BiLSTM的深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型，并將AM融入神經(jīng)網(wǎng)絡(luò)中，為遞歸網(wǎng)絡(luò)序列中的神經(jīng)元分配權(quán)重，對(duì)短期交通流序列預(yù)測(cè)進(jìn)行研究.

1 車道占用率數(shù)據(jù)及其集成經(jīng)驗(yàn)?zāi)B(tài)分解

1.1 車道占用率序列

本文采用車道占用率描述交通流信息.車道占用率是交通流預(yù)測(cè)中的一個(gè)重要參數(shù)，其描述了某一時(shí)間段內(nèi)車輛通過一截面的時(shí)間占該段時(shí)間的百分比，其表示如下：

其中；Rt表示t時(shí)間段內(nèi)車道占用率；tT為總觀測(cè)時(shí)間；ti為第i輛車的占用時(shí)間；n為該路段的車輛數(shù)．

PeMS（california transportation agency performance measurement system，PeMS）數(shù)據(jù)集是加州交通運(yùn)輸局測(cè)量系統(tǒng)采用39 000個(gè)獨(dú)立探測(cè)器實(shí)時(shí)采集的交通流數(shù)據(jù)，這些傳感器跨域了加州所有主要城市的高速公路系統(tǒng).PeMSD-SF（performance measurement system dataset-san francisco）數(shù)據(jù)集是PeMS數(shù)據(jù)集的一個(gè)子數(shù)據(jù)集，它是舊金山海灣地區(qū)高速公路的車道占用率的測(cè)量數(shù)據(jù).本文重點(diǎn)研究其中一個(gè)探測(cè)器所采集的從2008年3月6日至2008年4月3日的車道占用率，其探測(cè)器位置如圖1所示.數(shù)據(jù)每10 min采樣一次，每天的數(shù)據(jù)序列中樣本數(shù)為144個(gè)，總的樣本數(shù)為4 032個(gè).本文取其中前三周作為訓(xùn)練集，后一周作為測(cè)試集.由于偶然因素，所測(cè)得的交通流數(shù)據(jù)會(huì)存在少量異常值.本文使用統(tǒng)計(jì)學(xué)方法中的3σ原則篩選濾除異常值，然后取異常點(diǎn)附近的10個(gè)采樣值的均值來填補(bǔ)該異常點(diǎn).

圖1 探測(cè)器位置Fig．1 Detector position

1.2 經(jīng)驗(yàn)?zāi)B(tài)分解

經(jīng)驗(yàn)?zāi)B(tài)分解是一種自適應(yīng)信號(hào)時(shí)頻處理方法，被廣泛應(yīng)用于非線性非平穩(wěn)的復(fù)雜信號(hào).該方法可以自適應(yīng)地將原始信號(hào)分解成一系列固有模態(tài)函數(shù)（intrinsic mode function，IMF），所分解出來的各IMF分量包含了原信號(hào)的不同時(shí)間尺度的局部特征，滿足下式：

其中：X（t）表示原始信號(hào)；m（t）表示原始信號(hào)上包絡(luò)線與下包絡(luò)線的均值信號(hào)；Res表示停止分解時(shí)的殘余分量.將測(cè)試集中7天的車道占用率序列使用EMD方法進(jìn)行分解，得到IMF1～I(xiàn)MF10和Res信號(hào)，如圖2所示.EMD方法可將復(fù)雜的車道占用率信號(hào)分解成多個(gè)平穩(wěn)的分量信號(hào)，但是由于不同特征尺度的信號(hào)在一個(gè)IMF分量中出現(xiàn)，或者同一個(gè)特征尺度的信號(hào)被分散到不同的IMF分量中，會(huì)出現(xiàn)模態(tài)混疊現(xiàn)象.

圖2 EMD分解結(jié)果Fig．2 Results of EMD decomposition

1.3 集成經(jīng)驗(yàn)?zāi)B(tài)分解

集成經(jīng)驗(yàn)?zāi)B(tài)分解作為EMD方法的一種改進(jìn)形式，解決了EMD方法中出現(xiàn)的模態(tài)混疊現(xiàn)象，即通過在分解的過程中多次引入均勻分布的白噪聲抑制信號(hào)本身的噪聲，從而得到更加精準(zhǔn)的上下包絡(luò)線，同時(shí)對(duì)分解結(jié)果進(jìn)行平均處理，平均處理次數(shù)越多，噪聲給分解帶來的影響就越?。?6］.EEMD的分解流程和分解結(jié)果分別如圖3和圖4所示.

圖3 EEMD流程圖Fig．3 Flowchart of EEMD

圖4 EEMD分解結(jié)果Fig．4 Decomposition results of EEMD

原始信號(hào)經(jīng)分解降噪和集合平均后得到的信號(hào)ai如下：

2 預(yù)測(cè)模型的建立

2.1 雙向長(zhǎng)短期記憶網(wǎng)絡(luò)

由于道路路況不斷復(fù)雜化，交通流數(shù)據(jù)量不斷增加，傳統(tǒng)的遞歸模型的精度難以滿足數(shù)據(jù)預(yù)測(cè)分析的要求.近年來，越來越多的學(xué)者開始使用長(zhǎng)短期記憶網(wǎng)絡(luò)進(jìn)行交通流預(yù)測(cè)，LSTM網(wǎng)絡(luò)相比傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)加入了運(yùn)算門的設(shè)計(jì)，克服了短時(shí)記憶的影響，并且緩解了權(quán)重消失和梯度爆炸的問題［17］.單個(gè)LSTM神經(jīng)元的結(jié)構(gòu)如圖5所示，其輸入門、遺忘門、輸出門、長(zhǎng)期記憶、短期記憶和候選狀態(tài)的運(yùn)算過程見式（5）～（10）.

圖5 單個(gè)LSTM單元的內(nèi)部結(jié)構(gòu)Fig．5 Internal structure of single LSTM unit

BiLSTM在LSTM的基礎(chǔ)上對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改 進(jìn)，使用兩個(gè)LSTM網(wǎng)絡(luò)分別從正向和反向讀取輸入信號(hào)，然后將各自的輸入、輸出結(jié)果拼接起來作為BiLSTM的輸出，其結(jié)構(gòu)如圖6所示.

圖6 BiLSTM網(wǎng)絡(luò)結(jié)構(gòu)Fig．6 Structure of BiLSTM

2.2 注意力機(jī)制

文獻(xiàn)［18］提出了一種注意力機(jī)制，以提高遞歸神經(jīng)網(wǎng)絡(luò)模型的特征提取能力.AM為不同的特征分配不同的注意權(quán)重，以便數(shù)據(jù)驅(qū)動(dòng)模型能夠更加關(guān)注訓(xùn)練過程中的重要部分.

AM的結(jié)構(gòu)圖如圖7所示，將輸入值（X1，X2，…，Xn）輸入Encoder網(wǎng)絡(luò)進(jìn)行運(yùn)算后輸出結(jié)果（a1，a2，…，an），而此時(shí)，每一個(gè)Encoder網(wǎng)絡(luò)的輸出值會(huì)在AM網(wǎng)絡(luò)中乘一個(gè)權(quán)重因子α并進(jìn)行疊加，疊加后的值作為Decoder網(wǎng)絡(luò)的輸入值進(jìn)行訓(xùn)練，最終得到網(wǎng)絡(luò)的輸出值（Y1，Y2，…，Yn）．其中：ak表示Encoder網(wǎng)絡(luò)中第k個(gè)單元經(jīng)激活函數(shù)Tanh激活后的函數(shù)值；Sk表示Decoder網(wǎng)絡(luò)中第k個(gè)單元經(jīng)激活函數(shù)Tanh激活后的函數(shù)值；α（i，j）為第一層LSTM網(wǎng)絡(luò)的第i個(gè)單元輸出至Decoder網(wǎng)絡(luò)第j個(gè)單元所對(duì)應(yīng)的權(quán)重因子，滿足表達(dá)式（11）～（12），且由式（13）確定.

圖7 AM結(jié)構(gòu)圖Fig．7 Structure of AM

其中：e（i，j）值可以由訓(xùn)練一個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)來確定，網(wǎng)絡(luò)輸入為Encoder網(wǎng)絡(luò)的激活值aj和Decoder網(wǎng)絡(luò)上一時(shí)刻的激活值Si-1，輸出則為e（i，j）．

2．3 EEMD-BiLSTM-AM模型

本文所提出的EEMD-BiLSTM-AM模型結(jié)構(gòu)如圖8所示，將車道占用率信號(hào)經(jīng)過數(shù)據(jù)預(yù)處理后作為輸入信號(hào)，首先經(jīng)EEMD將輸入序列由多特征影響的高度非平穩(wěn)序列分解為IMF1～I(xiàn)MF12和Res這些由單一特征影響的平穩(wěn)子序列；每一個(gè)子序列的采樣值按照Encoder-Decoder框架輸入BiLSTM網(wǎng)絡(luò)，來預(yù)測(cè)下一時(shí)刻的車道占用率；隨后又將預(yù)測(cè)出的輸出采樣值和其上一時(shí)刻的采樣值作為新的輸入特征，繼續(xù)來預(yù)測(cè)下一時(shí)刻的車道占用率；最終，預(yù)測(cè)出一個(gè)時(shí)間段內(nèi)的車道占用率.本文中的BiLSTM網(wǎng)絡(luò)中的正向和反向LSTM網(wǎng)絡(luò)分別由400個(gè)LSTM單元構(gòu)成，每200個(gè)單元后增設(shè)一個(gè)舍棄率為30%的隨機(jī)舍棄層來提高運(yùn)算效率；隨后在輸出端增加注意力機(jī)制，提升模型訓(xùn)練過程中關(guān)鍵神經(jīng)元的影響權(quán)重；最后將各模態(tài)所建立的子模型進(jìn)行疊加重構(gòu).

圖8 EEMD-BiLSTM-AM結(jié)構(gòu)Fig．8 Structure of EEMD-BiLSTM-AM

本次研究在訓(xùn)練過程中使用Adam算法用于網(wǎng)絡(luò)訓(xùn)練的反向傳播過程中的參數(shù)優(yōu)化.Adam算法是一種常用的優(yōu)化算法，相比傳統(tǒng)的梯度下降算法，Adam算法結(jié)合了Momentum算法和RMSprop算法的優(yōu)勢(shì)，即計(jì)算梯度的指數(shù)加權(quán)平均數(shù)，用該梯度來更新權(quán)值w和偏置b，減小了優(yōu)化過程中的縱向波動(dòng)，增加了優(yōu)化速度，提高了訓(xùn)練效率［19］.

本研究將已知的數(shù)據(jù)集劃分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，將訓(xùn)練數(shù)據(jù)集進(jìn)行EEMD分解，對(duì)分解得到的每一個(gè)子模態(tài)進(jìn)行訓(xùn)練建模，通過迭代預(yù)測(cè)的方式得到下一時(shí)間段的交通流分量信號(hào)，將各模型輸出的分量信號(hào)疊加，所得到的預(yù)測(cè)值與測(cè)試數(shù)據(jù)集進(jìn)行對(duì)比，對(duì)模型性能進(jìn)行評(píng)估.

在實(shí)際預(yù)測(cè)中，對(duì)當(dāng)前時(shí)間前的交通流信號(hào)進(jìn)行分解，獲得信號(hào)序列，然后采用相應(yīng)模態(tài)下的模型，根據(jù)當(dāng)前時(shí)間前的交流通信息，迭代預(yù)測(cè)出相應(yīng)模態(tài)下的交通流信息，然后再進(jìn)行疊加即可獲得未來時(shí)刻的交通流預(yù)測(cè)值.

3 結(jié)果分析

為了充分驗(yàn)證EEMD-BiLSTM-AM的性能，本文設(shè)計(jì)了LSTM，BiLSTM，BiLSTM-AM，EMD-BiLSTM，EMD-BiLSTM-AM，EEMD-BiLSTM等神經(jīng)網(wǎng)絡(luò)模型，并將這些模型作為競(jìng)爭(zhēng)模型，與EEMD-BiLSTM-AM進(jìn)行對(duì)比研究.選取均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）、平均絕對(duì)百分比誤差（MAPE）和決定系數(shù)R2對(duì)模型進(jìn)行評(píng)價(jià)，其表達(dá)式如（14）～（17）所示．

其中：N為數(shù)據(jù)量大小為預(yù)測(cè)值；yi為真實(shí)值.

為了更好地比較各個(gè)模型的性能，各競(jìng)爭(zhēng)模型所用訓(xùn)練數(shù)據(jù)集與測(cè)試數(shù)據(jù)集和EEMD-BiLSTMAM模型一致，各競(jìng)爭(zhēng)模型中，BiLSTM網(wǎng)絡(luò)使用400個(gè)神經(jīng)元，每200個(gè)單元后增設(shè)一個(gè)舍棄率為30%的隨機(jī)舍棄層抑制過擬合，預(yù)測(cè)時(shí)間步長(zhǎng)為5，訓(xùn)練時(shí)每批送入模型的樣本數(shù)設(shè)置為64個(gè)，激活函數(shù)使用ReLU函數(shù)，損失函數(shù)選取MSE，優(yōu)化算法為Adam，迭代次數(shù)為200次.

各模型經(jīng)計(jì)算得到的評(píng)價(jià)結(jié)果見表1.由表1可知：BiLSTM模型的各項(xiàng)誤差均低于LSTM模型，且其R2值為0.879 9，高于LSTM模型的0.878 1，說明BiLSTM模型性能優(yōu)于LSTM模型.BiLSTM不僅可以將神經(jīng)元中遺忘門保留的上一時(shí)刻更有用的信息傳送到下一時(shí)刻的神經(jīng)元中［20］，濾除冗雜信號(hào)，而且可以從正向和反向兩個(gè)方向讀取序列信息，更好地捕捉不同采樣點(diǎn)間的依賴關(guān)系.

表1 各模型的評(píng)價(jià)結(jié)果Tab．1 Evaluation result of each model

使用模態(tài)分解后，模型的預(yù)測(cè)精度大幅提升，EEMD和EMD可以有效地將交通流中具有代表性的特征模態(tài)分離開，根據(jù)不同特征的信息建立相應(yīng)的模型，更加有效地預(yù)測(cè)各特征信號(hào)；同時(shí)，使用EEMD的模型在進(jìn)行訓(xùn)練時(shí)，抑制了訓(xùn)練數(shù)據(jù)中各模態(tài)的混疊現(xiàn)象，降低了訓(xùn)練誤差，進(jìn)而提升了模型的預(yù)測(cè)能力.各模型在加入AM層后，預(yù)測(cè)誤差降低，預(yù)測(cè)精度提高，表明AM使模型捕捉到了序列中影響交通流趨勢(shì)走向的關(guān)鍵時(shí)間點(diǎn)，使模型更加有針對(duì)性地進(jìn)行預(yù)測(cè)，進(jìn)而提高了模型的計(jì)算精度.

相比于競(jìng)爭(zhēng)模型，本文所提出的EEMD-BiLSTMAM模型的RMSE，MAE和MAPE達(dá)到最低值0.006 9，0.003 5和1.231 8%，而R2為最高的0.941 0，其預(yù)測(cè)能力明顯優(yōu)于其他競(jìng)爭(zhēng)模型.

以2008年3月19日和2008年3月20日為例，以熱力圖的形式表示在兩日內(nèi)AM層的權(quán)重分配，如圖9（a）和圖9（b）所示.由圖9可知：對(duì)于3月19日，AM層把更高的權(quán)重分配在5∶00-8∶00和16∶00-18∶00的時(shí)間段，這兩個(gè)時(shí)間段分別對(duì)應(yīng)了該日交通流信號(hào)在早晚期間的上升和下降過程；對(duì)于3月20日，AM層把更高的權(quán)重分配在6∶30，8∶30，20∶00和22∶00時(shí)刻，這4個(gè)時(shí)刻分別對(duì)應(yīng)了該日交通流信號(hào)在早晚期間上升、下降過程的起止時(shí)刻.這種注意力權(quán)重分配規(guī)律，有助于模型捕獲對(duì)于信號(hào)變化影響力更強(qiáng)的關(guān)鍵時(shí)間段.

圖9 3月19日和3月20日AM層權(quán)重分配Fig．9 AM layer weight distribution of March 19 and March 20

將各算法所預(yù)測(cè)的車道占用率預(yù)測(cè)值與真實(shí)值進(jìn)行比較，對(duì)比結(jié)果如圖10所示.各模型的訓(xùn)練時(shí)間如圖11所示.由圖10可知：LSTM，BiLSTM和BiLSTM-AM模型對(duì)于模型的跟蹤能力較弱，而EEMD-BiLSTM和EMD-BiLSTM-AM模型雖然整體預(yù)測(cè)精度較高，但在局部區(qū)域的預(yù)測(cè)偏差比較明顯；本文所提出的EEMD-BiLSTM-AM模型不僅可以精確穩(wěn)定地跟蹤真實(shí)值的變化趨勢(shì)，并且在預(yù)測(cè)局部時(shí)間段信號(hào)的能力也明顯優(yōu)于其他競(jìng)爭(zhēng)模型.

圖10 3月19日和3月20日各算法預(yù)測(cè)結(jié)果對(duì)比Fig．10 Prediction results comparison of the algorithms on March 19th and March 20th

圖11 各模型訓(xùn)練時(shí)間對(duì)比Fig．11 Comparison of training time of the models

本實(shí)驗(yàn)硬件配置為Corei7-6820CPU＠2.70 GHz，16 GByte內(nèi)存.使用Python3.8進(jìn)行編程，并使用Tensorflow2.1框架構(gòu)建算法模型.在學(xué)習(xí)速度方面，LSTM，BiLSTM，BiLSTM-AM，EMD-BiLSTM-AM，EMD-BiLSTM，EEMD-BiLSTM，EEMD-BiLSTM-AM分別需要訓(xùn)練525，552，545，597，584，557，541 s，EEMDBiLSTM-AM雖然增加了模型復(fù)雜度，但訓(xùn)練時(shí)間并未大幅增加，且其預(yù)測(cè)精確度和穩(wěn)定性都顯著優(yōu)于其他競(jìng)爭(zhēng)模型.在預(yù)測(cè)時(shí)間方面，每一個(gè)子模態(tài)模型平均需要0.104 s的預(yù)測(cè)時(shí)間，總時(shí)間為1.248 s，基本可以滿足實(shí)時(shí)性的需求.

4 結(jié)論

針對(duì)高速公路短期交通占有率預(yù)測(cè)問題，本文

提出了一種EEMD-BiLSTM-AM融合神經(jīng)網(wǎng)絡(luò)模型，EEMD解決了EMD方法中出現(xiàn)的模態(tài)混疊問題，將交通流輸入序列由多特征影響的高度非平穩(wěn)序列分解為由單一特征影響的平穩(wěn)子序列；每一個(gè)子序列的采樣值按照Encoder-Decoder框架輸入BiLSTM網(wǎng)絡(luò)，來預(yù)測(cè)下一時(shí)刻的車道占用率；同時(shí)，AM為不同的交通流特征分配不同的注意力權(quán)重，使得融合神經(jīng)網(wǎng)絡(luò)更加關(guān)注訓(xùn)練過程中的信息流的關(guān)鍵部分，充分挖掘交通流的時(shí)空特征.本文結(jié)合舊金山灣區(qū)高速公路某路段的車道占用率實(shí)測(cè)數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證.預(yù)測(cè)結(jié)果表明：所提出的融合神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精確性及穩(wěn)定性顯著優(yōu)于LSTM，BiLSTM，BiLSTM-AM，EMD-BiLSTM，EMD-BiLSTM-AM，EEMDBiLSTM等6種競(jìng)爭(zhēng)模型；相比于EMD，EEMD在抑制噪聲對(duì)信號(hào)模態(tài)分解的負(fù)面影響中表現(xiàn)更優(yōu)，且AM能夠幫助神經(jīng)網(wǎng)絡(luò)模型重點(diǎn)關(guān)注交通流信號(hào)的關(guān)鍵時(shí)空信息，在不顯著增加訓(xùn)練時(shí)間的前提下，提升了融合神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能.下一步的研究重點(diǎn)是考慮其他因素，如車輛行駛速度、車流量、天氣、路段空間位置等對(duì)交通流預(yù)測(cè)的影響，進(jìn)一步挖掘這些因素與交通流的時(shí)空相關(guān)性.