韓 曉 ,陳 昕,肇 毓

(1. 遼寧工業(yè)大學(xué) 汽車與交通工程學(xué)院,遼寧 錦州 121000; 2. 遼寧省高速公路運(yùn)營管理有限公司,沈陽 110000)

隨著城鎮(zhèn)化進(jìn)程的加快,迅速增加汽車保有量與有限的道路資源出現(xiàn)矛盾,極大地影響了可持續(xù)綠色交通業(yè)的發(fā)展。動(dòng)態(tài)交通流指的是車輛在交通路網(wǎng)上的實(shí)時(shí)運(yùn)行情況。高速公路施工控制區(qū)一般存在速度限制、車道限制,有臨時(shí)的標(biāo)志和標(biāo)線。該區(qū)域也常有施工人員和設(shè)備以及交通管理部門進(jìn)行臨時(shí)的交通管控。因此準(zhǔn)確對高速公路施工控制區(qū)動(dòng)態(tài)交通流進(jìn)行預(yù)測能實(shí)現(xiàn)高速公路施工控制區(qū)段的交通優(yōu)化管理,從而達(dá)到減少擁堵、優(yōu)化道路利用資源、預(yù)防交通事故發(fā)生的目的,提高交通運(yùn)輸系統(tǒng)的運(yùn)輸效率與服務(wù)質(zhì)量。

目前,涉及交通流預(yù)測的研究方法大致分為四大類:

第1類是基于時(shí)間序列分析:這類方法是基于歷史交通數(shù)據(jù)的時(shí)間序列模式。Bartholomew[1]將時(shí)間序列方法整理,主要介紹了時(shí)間序列的基本理論和方法,并涉及了預(yù)測和控制的應(yīng)用。韓超等[2]提出了一種基于ARIMA模型的短時(shí)交通流實(shí)時(shí)自適應(yīng)預(yù)測算法,利用帶有遺忘因子的遞推最小二乘方法進(jìn)行參數(shù)估計(jì),并應(yīng)用了基于線性最小方差預(yù)測原理的Astrom預(yù)測算法進(jìn)行交通流的預(yù)測。聶佩林等[3]為解決單一交通流預(yù)測模型性能不穩(wěn)定的問題,使用約束卡爾曼濾波方法來對每個(gè)預(yù)測模型進(jìn)行狀態(tài)更新和預(yù)測。齊馳等[4]提出了一種自適應(yīng)的單指數(shù)平滑法,通過引入近似動(dòng)態(tài)規(guī)劃方法并結(jié)合實(shí)際交通流數(shù)據(jù),優(yōu)化了指數(shù)平滑系數(shù)。通過自適應(yīng)調(diào)整,預(yù)測結(jié)果能夠更好地適應(yīng)交通流變化。Tiao等[5]討論了一類向量自回歸移動(dòng)平均模型的性質(zhì)。

第2類是基于統(tǒng)計(jì)回歸分析:這類方法使用統(tǒng)計(jì)回歸模型來建立交通流量和速度與各種影響因素的關(guān)系模型,如時(shí)間、天氣、道路幾何特征等。通過回歸模型,可以預(yù)測未來交通流量和速度,并評估各種因素對交通流的影響。

第3類是基于機(jī)器學(xué)習(xí)算法:這類方法使用機(jī)器學(xué)習(xí)算法進(jìn)行預(yù)測。如楊勝等[6]運(yùn)用決策樹對城市道路上下游短時(shí)交通流量關(guān)系進(jìn)行了分析,并建立了相應(yīng)的規(guī)則庫,得到了一個(gè)城市短時(shí)交通流的預(yù)測方法,為城市交通流控制與誘導(dǎo)提供了良好的基礎(chǔ)。楊兆升等[7]在已有預(yù)測模型的基礎(chǔ)上,考慮到交通流的非線性、復(fù)雜性和不確定性,提出支持向量機(jī)(SVM)的短時(shí)交通流量預(yù)測模型。陳忠輝等[8]提出了基于FCM和隨機(jī)森林(Random Forest)算法的短時(shí)交通狀態(tài)預(yù)測方法。該方法在融合時(shí)空信息的基礎(chǔ)上,利用隨機(jī)森林算法具有較高的預(yù)測精度,可提供實(shí)時(shí)可靠的短時(shí)交通狀態(tài)信息。還有其他圖類方式比如概率圖模型,它結(jié)合概率論和圖論,交通流已知和預(yù)測變量的聯(lián)合概率,由圖展示出來[9]。如Bai等[10]提出用于交通預(yù)測的注意力時(shí)間圖卷積網(wǎng)絡(luò)模型。汪鳴等[11]提出的門控循環(huán)圖卷積網(wǎng)絡(luò)(GR-GCN)模型。

第4類是基于智能交通系統(tǒng)與數(shù)據(jù)挖掘方法:這類方法結(jié)合智能交通系統(tǒng)技術(shù)和數(shù)據(jù)挖掘方法,利用實(shí)時(shí)交通數(shù)據(jù)進(jìn)行動(dòng)態(tài)交通流預(yù)測。Li等[12]利用學(xué)習(xí)方法預(yù)測大數(shù)據(jù)下交通流量。該方法使用長短時(shí)記憶(LSTM)網(wǎng)絡(luò)結(jié)構(gòu)對歷史交通流量數(shù)據(jù)進(jìn)行建模和訓(xùn)練,從而實(shí)現(xiàn)對未來交通流量的預(yù)測。此外還引入了一個(gè)特征選擇方法來選擇最具代表性的特征。Ma等[13]提出使用卷積神經(jīng)網(wǎng)絡(luò)的方法,將時(shí)空交通動(dòng)態(tài)轉(zhuǎn)換為圖像,通過二維圖象描述交通流的時(shí)空關(guān)系時(shí)空矩陣。羅文慧等[14]通過CNN進(jìn)行特征提取,然后將提取的特征輸入到SVR進(jìn)行流量預(yù)測。通過實(shí)時(shí)數(shù)據(jù)的監(jiān)測和分析,可以更新預(yù)測模型并調(diào)整預(yù)測結(jié)果,實(shí)現(xiàn)對動(dòng)態(tài)交通流的準(zhǔn)確預(yù)測。王祥雪等[15]提出了基于LSTM-RNN的城市快速路短時(shí)交通流預(yù)測模型,捕捉交通流的時(shí)空相關(guān)性對時(shí)間序列進(jìn)行重構(gòu),通過模型訓(xùn)練來識(shí)別和增強(qiáng)時(shí)空關(guān)聯(lián)特性。張文松等[16]提出了一種基于深度學(xué)習(xí)的組合方法,通過利用CNN捕捉交通流的空間特性和使用LSTM和GRU挖掘交通流的時(shí)間特性,構(gòu)建了一個(gè)綜合的交通流參數(shù)估計(jì)模型,以提高估計(jì)精度。

以上四大類方法都具有一定的優(yōu)勢和適用場景。首先,傳統(tǒng)的交通流預(yù)測模型對于復(fù)雜的非線性關(guān)系和非平穩(wěn)性的交通流數(shù)據(jù)的建模能力有限,但深度學(xué)習(xí)的發(fā)展為動(dòng)態(tài)交通流預(yù)測領(lǐng)域帶來了更多可能[17]。其次,以往主要研究的是道路斷面流量、速度預(yù)測等方面,對單車道的研究較少且存在歷史數(shù)據(jù)數(shù)量少和質(zhì)量不高的問題。最后,大多數(shù)研究著眼于短期交通流預(yù)測,缺乏對長期趨勢準(zhǔn)確預(yù)測的能力。因此,文中以半幅施工狀態(tài)下的高速公路施工控制區(qū)為研究對象,創(chuàng)新性提出LSTM-BiGRU-Attention深度學(xué)習(xí)模型,即在LSTM的基礎(chǔ)上結(jié)合雙向循環(huán)神經(jīng)網(wǎng)絡(luò)(Bidirectional Recurrent Neural Network, BiGRU)和注意力機(jī)制(Attention Mechanism)。該模型能夠更好地捕捉時(shí)序特征和上下文信息,在處理長期依賴性方面表現(xiàn)出較好的能力,有助于提高高速公路施工控制區(qū)動(dòng)態(tài)交通流預(yù)測精度,為動(dòng)態(tài)交通規(guī)劃與管理提供參考依據(jù)。

1 LSTM-BiGRU-Attention模型研究

LSTM-BiGRU-Attention模型是一種深度學(xué)習(xí)模型,它基于循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)結(jié)構(gòu),由三個(gè)關(guān)鍵組件組成。一是,模型中長短期記憶網(wǎng)絡(luò)(LSTM)。LSTM具有記憶單元,可以捕捉和存儲(chǔ)長期依賴關(guān)系,有效地處理時(shí)間序列數(shù)據(jù)。二是,雙向門控循環(huán)單元(BiGRU)。BiGRU可以同時(shí)考慮過去和未來的上下文信息,通過正向和反向傳播進(jìn)行信息的交互和整合,從而更好地理解序列數(shù)據(jù)中的復(fù)雜關(guān)系。三是,注意力機(jī)制(Attention)。它能增強(qiáng)模型的表達(dá)能力。該機(jī)制可以自動(dòng)學(xué)習(xí)并集中關(guān)注輸入序列中重要的部分,提取關(guān)鍵信息,從而提高模型對于關(guān)注點(diǎn)的準(zhǔn)確性和敏感性。該模型可以準(zhǔn)確地預(yù)測交通流量,為高速公路施工控制區(qū)的交通管理與規(guī)劃提供有益參考。

1.1 模型構(gòu)架與原理

1.1.1 LSTM

LSTM可以解決傳統(tǒng)RNN在捕捉長期記憶方面存在困難的問題。它通過借助門控單元有效地捕獲時(shí)間序列的長期依賴關(guān)系。LSTM的基本單元包括記憶單元、輸入門、遺忘門和輸出門。在計(jì)算過程中,LSTM利用當(dāng)前輸入和上一個(gè)時(shí)間步的隱藏狀態(tài)、記憶狀態(tài),通過輸入門、遺忘門、輸出門和記憶單元進(jìn)行運(yùn)算,從而得出當(dāng)前時(shí)間步的隱藏狀態(tài)和記憶狀態(tài)。然后將這個(gè)結(jié)果作為下一個(gè)時(shí)間步的輸入,以此實(shí)現(xiàn)連續(xù)的時(shí)間序列預(yù)測[18]。簡單來說,LSTM可以有效處理時(shí)間序列中的長期記憶,并可以用于連續(xù)預(yù)測問題。其計(jì)算公式如下:

1)輸入門:輸入門決定了當(dāng)前時(shí)間步的輸入信息對細(xì)胞狀態(tài)的影響程度。

i(t)=σ(wi×[h(t-1),x(t)]+bi)

(1)

式中:wi和bi代表輸入門的權(quán)重矩陣和偏置向量;x(t)是當(dāng)前時(shí)間步的輸入;h(t-1)是上一時(shí)間步的隱藏狀態(tài);σ是sigmoid激活函數(shù)。

2)遺忘門:遺忘門決定了上一時(shí)間步的細(xì)胞狀態(tài)對當(dāng)前時(shí)間步細(xì)胞狀態(tài)的影響程度。

f(t)=σ(wf×[h(t-1),x(t)]+bf)

(2)

式中:wf和bf是遺忘門的權(quán)重矩陣和偏置向量;x(t)是當(dāng)前時(shí)間步的輸入;h(t-1)是上一時(shí)間步的隱藏狀態(tài);σ是sigmoid激活函數(shù)。

3)記憶單元的更新:細(xì)胞狀態(tài)更新通過一個(gè)tanh激活函數(shù)來計(jì)算一個(gè)候選的細(xì)胞狀態(tài)。

c(t)=f(t)×c(t-1)+i(t)×

tanh(wc×[h(t-1),x(t)]+bc

(3)

式中:wc和bc代表更新記憶單元的權(quán)重矩陣和偏置向量;x(t)是當(dāng)前時(shí)間步的輸入;h(t-1)是上一時(shí)間步的隱藏狀態(tài)。

4)輸出門:輸出門決定了當(dāng)前時(shí)間步隱藏狀態(tài)的輸出。

o(t)=σ(wo×[h(t-1),x(t)]+bo)

(4)

式中:wo和bo代表輸出門的權(quán)重矩陣和偏置向量;x(t)是當(dāng)前時(shí)間步的輸入;h(t-1)是上一時(shí)間步的隱藏狀態(tài);σ是sigmoid激活函數(shù)。

5)隱藏狀態(tài):隱藏狀態(tài)通過輸出門和細(xì)胞狀態(tài)的tanh激活函數(shù)來更新。

h(t)=o(t)×tanh(c(t))

(5)

式中:tanh是雙曲正切激活函數(shù);o(t)代表輸出門。

1.1.2 BiGRU雙向門控循環(huán)單元

BiGRU模型是循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的變種,具有前后兩個(gè)方向的循環(huán)計(jì)算單元,這樣能夠同時(shí)捕捉時(shí)間序列數(shù)據(jù)的前后信息,更加全面地理解數(shù)據(jù)中所存在的依賴關(guān)系,從而提高時(shí)間序列在動(dòng)態(tài)交通流預(yù)測中的準(zhǔn)確度[19]。圖1為BiGRU結(jié)構(gòu)。

圖1 BiGRU結(jié)構(gòu)

1.1.3 注意力機(jī)制在交通流預(yù)測中的應(yīng)用

注意力機(jī)制(Attention Mechanism)在交通流預(yù)測中可以更好地捕捉交通流數(shù)據(jù)的信息,從而提高交通流量預(yù)測的準(zhǔn)確度[20]。注意力機(jī)制在交通流分析中的應(yīng)用具體表現(xiàn)在:

1)基于時(shí)間序列特征的注意力權(quán)重計(jì)算。在注意力機(jī)制中,將時(shí)間序列數(shù)據(jù)作為模型的輸入,根據(jù)每個(gè)數(shù)據(jù)的重要性自適應(yīng)地計(jì)算每個(gè)事件步的注意力權(quán)重。通過不同時(shí)間段,模型展示效果的差異,能夠聚焦到重要時(shí)間段上。

2)特征加權(quán)和選取?；趯r(shí)間序列特征的加權(quán),可以將注意力集中在與交通流預(yù)測關(guān)聯(lián)度更大的特征上,過濾掉無關(guān)信息,以便獲得更好的交通流預(yù)測結(jié)果。

3)空間關(guān)聯(lián)性的建模。通過注意力機(jī)制,模型可以更加精準(zhǔn)地捕捉到不同空間位置的交通流信息,從而提高不同空間的交通流預(yù)測能力。

4)對異常交通流數(shù)據(jù)進(jìn)行處理。注意力機(jī)制可以減少模型對確實(shí)數(shù)據(jù)的依賴,提高有效數(shù)據(jù)的利用率。

1.2 模型預(yù)測流程

研究提出的LSTM-BiGRU-Attention模型預(yù)測高速公路施工控制區(qū)動(dòng)態(tài)交通流數(shù)據(jù)集的預(yù)測流程如圖2所示。首先,對原始數(shù)據(jù)進(jìn)行預(yù)處理和特征選擇。其次,按照8∶2比例將數(shù)據(jù)集劃分為訓(xùn)練集和測試集,將提取的特征信息輸入至LSTM-BiGRU模型中,捕捉時(shí)序特征和上下文信息。通過權(quán)重分配,利用注意力機(jī)制將模型聚焦在更加重要的特征上,減小模型誤差并提高預(yù)測精度。最后,通過對模型的訓(xùn)練,可視化模型預(yù)測結(jié)果與測試值,提高模型的直觀性與可解釋性。

圖2 LSTM-BiGRU-Attention模型預(yù)測流程

1.3 模型優(yōu)勢與特點(diǎn)

LSTM-BiGRU-Attention模型能夠充分捕捉時(shí)間序列中的長期依賴關(guān)系。LSTM通過門控機(jī)制選擇性記憶和遺忘過去的信息,而BiGRU結(jié)合了前向和后向GRU,能夠更加全面理解時(shí)間序列的特征。該模型可以處理多模態(tài)的交通流數(shù)據(jù),如本研究中的車輛速度、交通流量、小車比例、車頭時(shí)距等。通過引入注意力機(jī)制,模型可以自動(dòng)關(guān)注重要的時(shí)空特征。這種綜合利用多模態(tài)信息的能力有助于提高動(dòng)態(tài)交通流預(yù)測的準(zhǔn)確性和可靠性。除此之外,模型能夠進(jìn)行可視化,為交通決策者提供更加直觀的結(jié)果。

2 LSTM-BiGRU-Attention模型訓(xùn)練與測試

2.1 高速公路施工控制區(qū)交通流特點(diǎn)

高速公路施工控制區(qū)的交通流相比較于正常運(yùn)行的高速公路交通流有一些不同之處:

1)交通流量限制:高速公路施工控制區(qū)的交通流受到施工活動(dòng)的限制,可能存在道路封閉、車速限制等措施,導(dǎo)致交通流受限。而正常運(yùn)行的高速公路沒有限制措施,交通流更為順暢。

2)交通流量極化:相比于勻稱、持續(xù)運(yùn)行的高速公路交通流,高速公路施工控制區(qū)的交通流量在施工區(qū)域附近集中,車速較慢。在限制措施解除或者施工結(jié)束后,交通流量又會(huì)集中釋放。

3)安全風(fēng)險(xiǎn)增加:施工控制區(qū)域伴隨著施工設(shè)備和工人的存在,交通安全風(fēng)險(xiǎn)增加。

2.2 動(dòng)態(tài)數(shù)據(jù)集來源

文中研究基于G35濟(jì)廣高速公路某全長為2 400 m施工控制區(qū)單車道行駛的車輛運(yùn)行數(shù)據(jù)。G35濟(jì)廣高速公路每條車道寬度為3.75 m,設(shè)計(jì)速度為80～120 km·h-1,路基寬度28 m。該區(qū)段施工類型為半封閉占用車道施工形式,如圖3所示。

圖3 半封閉式施工控制區(qū)

圖中從下到上的符號(hào)依次代表著警告區(qū)、上游過渡區(qū)、緩沖區(qū)、工作區(qū)、下游過渡區(qū)和終止區(qū)。采集數(shù)據(jù)8個(gè)屬性包括采集數(shù)據(jù)的時(shí)間,數(shù)據(jù)采集的位置、路基寬度(m)、施工控制區(qū)全長(m)、車輛行駛速度(km·h-1)、車流量(pcu·15 min-1)、車頭時(shí)距(s·pcu-1)、小車比例等[21-22]。

2.3 預(yù)測模型輸入?yún)?shù)特征選取

真實(shí)的高速公路施工控制區(qū)交通運(yùn)行數(shù)據(jù)通常是數(shù)量龐大且無序雜亂的,在確定研究目標(biāo)后并不是所有的指標(biāo)都需要考慮。對大量有序或者無序的進(jìn)行信息整合、提取、展示以便發(fā)現(xiàn)研究對象的內(nèi)在規(guī)律。首先,文中的預(yù)處理是對數(shù)據(jù)集進(jìn)行異常值處理、數(shù)據(jù)清洗以及數(shù)據(jù)編碼,得到2 304組樣本數(shù)據(jù),數(shù)據(jù)規(guī)模為2 304×8。

其次,實(shí)驗(yàn)對數(shù)據(jù)集進(jìn)行特征選取,由相關(guān)性計(jì)算結(jié)果可知,車流量(pcu·15 min-1)與車頭時(shí)距(s·pcu-1)、車速(km·h-1)存在強(qiáng)烈的負(fù)相關(guān)性,車流量(pcu·15 min-1)與小車比例呈現(xiàn)弱負(fù)相關(guān),而車流量(pcu·15 min-1)與交通狀態(tài)表現(xiàn)出強(qiáng)烈的正相關(guān)。

表1 特性參數(shù)相關(guān)性系數(shù)

由此,與車流量(pcu·15min-1)特征相關(guān)性最強(qiáng)的4個(gè)特征分別是:車頭時(shí)距(s·pcu-1)、車速(km·h-1)、交通狀態(tài)、小車比例。

2.4 模型預(yù)測精度分析

為驗(yàn)證LSTM-BiGRU-Attention模型預(yù)測高速公路施工控制區(qū)動(dòng)態(tài)交通流的有效性,研究選取了另外5種模型與其做對比,分別是:LSTM模型、BiGRU模型、BiGRU-Attention模型、LSTM-BiGRU模型以及ARIMA模型。采用均方誤差(MSE)作為損失函數(shù),adam作為優(yōu)化器,時(shí)間步長為5進(jìn)行實(shí)驗(yàn)。為了保證實(shí)驗(yàn)公平有效,6組實(shí)驗(yàn)的數(shù)據(jù)集一致且實(shí)驗(yàn)環(huán)境相同。其次,為了提高模型的預(yù)測精度,研究進(jìn)行多次交叉驗(yàn)證得出不同模型的實(shí)驗(yàn)參數(shù)。在2 304組樣本中,選取80%作為訓(xùn)練樣本,20%作為驗(yàn)證樣本。通過采集到的交通流量數(shù)據(jù)集訓(xùn)練模型得到6組預(yù)測結(jié)果,但由于LSTM模型與ARIMA模型預(yù)測效果差,故剔除不再考慮。

圖4是LSTM-BiGRU-Attention模型對該高速公路施工控制區(qū)進(jìn)行動(dòng)態(tài)交通流預(yù)測結(jié)果與預(yù)測效果較好的BiGRU、BiGRU-Attention、LSTM-BiGRU 3種模型實(shí)驗(yàn)對比圖。由圖4可知,LSTM-BiGRU-Attention模型相比于其他實(shí)驗(yàn)?zāi)Ｐ透淤N近真實(shí)的數(shù)據(jù)且誤差較小,在高速公路施工控制區(qū)動(dòng)態(tài)交通流預(yù)測方面具有較好的準(zhǔn)確度與有效性。

圖4 多模型預(yù)測對比

3 模型結(jié)果分析與討論

3.1 模型性能評估指標(biāo)

研究采用4種模型性能評估指標(biāo)進(jìn)行預(yù)測結(jié)果準(zhǔn)確性分析,分別是:平均絕對誤差(MAE)、均方根誤差(RMSE)、決定系數(shù)(R2)和平均絕對百分?jǐn)?shù)誤差(MAPE),各評估指標(biāo)計(jì)算公式如下:

1)MAE:

MAE=(1/n)×∑|ypred-ytrue|

(6)

2) RMSE:

(7)

3)R2的計(jì)算:

(8)

4)MAPE:

MAPE= (1/n) ×∑|(ytrue-ypred)/

ytrue| ×100%

(9)

式中:n是樣本數(shù)量,ypred是模型的預(yù)測值,ytrue是對應(yīng)的真實(shí)值;ymean是模型的平均值。

3.2 模型性能評估結(jié)果分析

實(shí)驗(yàn)表明,LSTM-BiGRU-Attention模型的平均絕對誤差MAE、均方根誤差RMSE、平均絕對百分?jǐn)?shù)誤差MAPE數(shù)值均小于其他五組模型。ARIMA模型與LSTM模型的決定系數(shù)R2值為負(fù)數(shù),說明這2個(gè)模型擬合效果比簡單地平均預(yù)測要差,并且可能出現(xiàn)明顯的偏差,模型預(yù)測效果差。

6組實(shí)驗(yàn)具體結(jié)果如表2所示。

表2 6組實(shí)驗(yàn)結(jié)果對比表

對于平均絕對誤差MAE值,LSTM-BiGRU-Attention模型相比BIGRU模型下降0.36,相比LSTM-BiGRU模型下降0.41。對于均方根誤差RMSE值,LSTM-BiGRU-Attention模型相比BIGRU模型下降0.17,相比BiGRU-Attention模型下降0.91,相比LSTM-BiGRU模型下降0.3。對于決定系數(shù)R2值,LSTM-BiGRU-Attention模型與BiGRU模型、LSTM-BiGRU基本持平。對于平均絕對百分比MAPE值,LSTM-BiGRU-Attention模型比BiGRU模型下降0.61,相比BiGRU-Attention模型下降1.01,相比LSTM-BiGRU模型下降0.67。

4 結(jié) 論

1)針對高速公路施工控制區(qū)交通運(yùn)行速度減緩、車輛密度集中、安全風(fēng)險(xiǎn)增加等特點(diǎn),建立LSTM-BiGRU-Attention動(dòng)態(tài)交通流預(yù)測模型,并與其他模型進(jìn)行對比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,該模型的平均絕對誤差MAE為1.91,均方根誤差RMSE為2.83,決定系數(shù)R2為0.79,平均絕對百分比MAPE為3.23。對比其他模型,LSTM-BiGRU-Attention模型的4個(gè)評估指標(biāo)均有所下降,可為高速公路施工控制區(qū)提供更加精準(zhǔn)的預(yù)測模型。

2)建立LSTM-BiGRU-Attention深度學(xué)習(xí)組合模型并以G35濟(jì)廣高速某處高速公路施工控制區(qū)實(shí)際交通流運(yùn)行數(shù)據(jù)為案例對模型進(jìn)行實(shí)驗(yàn)驗(yàn)證。模型首先使用LSTM捕捉數(shù)據(jù)之間的長期依賴關(guān)系[23]。其次為了更好地利用上下文信息,引入BiGRU分別從正反兩個(gè)方向捕獲序列模式。最后采用Attention機(jī)制[24],進(jìn)一步提高模型性能,使模型能夠關(guān)注關(guān)鍵的時(shí)間步。通過此模型,能夠更好地捕捉序列數(shù)據(jù)中的長期依賴關(guān)系和上下文信息。

3)在后續(xù)研究中,可以進(jìn)一步考慮天氣[25]和空間特性等影響因素,提高模型的泛化能力。以及可以更加全面覆蓋交通場景和時(shí)間段以提高可用數(shù)據(jù)的質(zhì)量和規(guī)模,更加專業(yè)地調(diào)整參數(shù)以獲得最佳性能,彌補(bǔ)模型的局限性。