李巖，王泰州，徐金華，陳姜會(huì)，汪帆*,2

(1.長安大學(xué)，運(yùn)輸工程學(xué)院，西安 710064；2.中交第一公路勘察設(shè)計(jì)研究院有限公司，西安 710075)

0 引言

在交通管控系統(tǒng)層級(jí)的改善效果評(píng)估等工作中，需精確描述各時(shí)段路徑流量和路徑出行時(shí)間的相互作用關(guān)系，以獲得精準(zhǔn)的交通運(yùn)行狀態(tài)。傳統(tǒng)的靜態(tài)交通分配方法僅能獲取相對(duì)較長時(shí)段的交通分析結(jié)果，加之出行者完成出行需要時(shí)間，使靜態(tài)分配難以分析各時(shí)段交通狀態(tài)變化特征。為獲取網(wǎng)絡(luò)全過程的交通運(yùn)行狀態(tài)分析結(jié)果，需應(yīng)用動(dòng)態(tài)交通分配(Dynamic Traffic Assignment,DTA)[1]。動(dòng)態(tài)交通分配需預(yù)先輸入各分析子時(shí)段的交通需求，而傳統(tǒng)預(yù)測(cè)方法多基于歷史數(shù)據(jù)和經(jīng)驗(yàn)，忽略了動(dòng)態(tài)交通分配過程中交通需求時(shí)間序列數(shù)據(jù)的周期性、隨機(jī)性和非線性等特點(diǎn)[2]，無法響應(yīng)動(dòng)態(tài)交通分配所需輸入的數(shù)據(jù)要求。因此，亟需建立一種面向動(dòng)態(tài)交通分配的交通需求預(yù)測(cè)方法。

目前，面向動(dòng)態(tài)交通分配的交通需求預(yù)測(cè)方法[3]可以總結(jié)為基于統(tǒng)計(jì)分析、機(jī)器學(xué)習(xí)以及深度學(xué)習(xí)等3 類。基于統(tǒng)計(jì)分析預(yù)測(cè)方法的主要模型有自回歸積分移動(dòng)平均(Auto Regressive Integrated Moving Average,ARIMA)模型、卡爾曼濾波模型等。ARIMA[4]模型將交通流量視為非平穩(wěn)隨機(jī)序列處理，其對(duì)平滑性較強(qiáng)的數(shù)據(jù)預(yù)測(cè)效果更好，但對(duì)隨機(jī)性更強(qiáng)，存在極端峰值的數(shù)據(jù)預(yù)測(cè)效果欠佳?？柭鼮V波算法[5]允許所選狀態(tài)變量不斷更新，根據(jù)某些反映歷史交通需求變化的規(guī)律性數(shù)據(jù)對(duì)未來需求的變化進(jìn)行推斷以實(shí)現(xiàn)預(yù)測(cè)，但隨著數(shù)據(jù)非線性或不穩(wěn)定特征增加而使預(yù)測(cè)精度下降。由于動(dòng)態(tài)交通分配中的交通需求是非線性、非平穩(wěn)的復(fù)雜時(shí)間序列數(shù)據(jù)，基于機(jī)器學(xué)習(xí)的方法能夠克服統(tǒng)計(jì)分析模型的約束，從而處理更加復(fù)雜的交通需求數(shù)據(jù)，主要的模型有支持向量機(jī)模型(Support Vector Machine,SVM)、K 最近鄰算法(K Nearest Neighbor,KNN)等。SVM模型[6]能夠處理非線性數(shù)據(jù)，具有較強(qiáng)的泛化能力，但其具有參數(shù)的敏感性、計(jì)算復(fù)雜度高等不足。KNN 算法[7]可以處理更加復(fù)雜的交通需求數(shù)據(jù)，相比與支持向量機(jī)模型的訓(xùn)練時(shí)間復(fù)雜度較低，但其對(duì)于面向DTA 的交通需求預(yù)測(cè)任務(wù)中復(fù)雜時(shí)間特征的捕捉有待進(jìn)一步優(yōu)化。相比于機(jī)器學(xué)習(xí)的模型，基于神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)預(yù)測(cè)方法可以更好地處理交通需求預(yù)測(cè)中時(shí)空特征的非線性和動(dòng)態(tài)性、出行需求的隨機(jī)性與規(guī)律性等問題。但不同的神經(jīng)網(wǎng)絡(luò)模型其預(yù)測(cè)性能也存在一定的差異，如堆疊自編碼神經(jīng)網(wǎng)絡(luò)(Stacked Auto Encoding neural network,SAE)[8]，此類模型基于全連接神經(jīng)網(wǎng)絡(luò)，難以有效表征交通信息中蘊(yùn)含的特征，模型表示能力有限?？紤]到上述局限，從時(shí)序特征角度引入長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)[9]，在交通需求的長期與短期預(yù)測(cè)中表現(xiàn)出對(duì)歷史信息的優(yōu)秀整合能力。但是，神經(jīng)網(wǎng)絡(luò)模型需根據(jù)經(jīng)驗(yàn)選取訓(xùn)練次數(shù)、學(xué)習(xí)率及隱藏層神經(jīng)元個(gè)數(shù)等，使模型訓(xùn)練耗時(shí)長、容易過擬合且降低了預(yù)測(cè)精度。為此，引入遺傳算法(Genetic Algorithm,GA)、粒子群算法(Particle Swarm Optimization,PSO)、灰狼算法(Grey Wolf Optimization,GWO)等參數(shù)尋優(yōu)算法對(duì)其關(guān)鍵參數(shù)進(jìn)行優(yōu)化，以提高神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)性能。GA 算法[10]具有良好的全局搜索能力，但其參數(shù)較多，尋優(yōu)時(shí)間相對(duì)較長。PSO算法[11]相較于GA 算法，其沒有交叉與變異操作，參數(shù)較少，但容易陷入局部最優(yōu)解，且對(duì)參數(shù)的調(diào)節(jié)比較敏感。GWO 算法[12]能夠快速地找到全局最優(yōu)解，而且收斂速度比較快，但在處理高維度問題時(shí)容易陷入局部最優(yōu)解。而布谷鳥尋優(yōu)算法(Cuckoo Search,CS)[13]與GA 算法、PSO 算法等算法相比，具有參數(shù)少、易實(shí)現(xiàn)、搜索路徑優(yōu)、尋優(yōu)能力強(qiáng)的特點(diǎn)。

綜上所述，為進(jìn)一步在運(yùn)行效率、模型結(jié)構(gòu)、預(yù)測(cè)精度等方面優(yōu)化面向動(dòng)態(tài)交通分配的交通需求預(yù)測(cè)方法，從動(dòng)態(tài)交通分配的角度出發(fā)，基于視頻監(jiān)控獲取的車牌數(shù)據(jù)構(gòu)建了一種面向動(dòng)態(tài)交通分配交通需求的深度學(xué)習(xí)預(yù)測(cè)方法，以滿足動(dòng)態(tài)交通分配研究對(duì)反映交通時(shí)變特征的交通需求的需求。

1 研究思路及框架

DTA需要以一定時(shí)間粒度劃分交通需求，并將相應(yīng)時(shí)段的交通需求加載到路網(wǎng)中，因此在預(yù)測(cè)面向DTA 的交通需求時(shí)，選取對(duì)復(fù)雜交通需求時(shí)間序列數(shù)據(jù)響應(yīng)性能好的方法，考慮到LSTM對(duì)交通需求等時(shí)間序列數(shù)據(jù)具有良好的預(yù)測(cè)效果，由此以LSTM 為基礎(chǔ)構(gòu)建面向DTA 的交通需求預(yù)測(cè)方法?？紤]到DTA連續(xù)分時(shí)段的交通需求數(shù)據(jù)的時(shí)序特征，引入時(shí)間序列分解方法(Seasonal and Trend decomposition using Loess,STL)將交通需求數(shù)據(jù)分解為周期分量、趨勢(shì)分量和余項(xiàng)分量，從而減少數(shù)據(jù)噪聲以及異常值的影響。其中，STL分解得到的周期分量在各個(gè)周期內(nèi)是相同的[14]，因此采用周期估計(jì)的方法進(jìn)行預(yù)測(cè)，即預(yù)測(cè)時(shí)段的周期分量值選取原始交通需求數(shù)據(jù)STL 分解得到的對(duì)應(yīng)周期分量。針對(duì)LSTM易受超參數(shù)影響的問題，選取具有隨機(jī)尋優(yōu)能力較強(qiáng)、尋優(yōu)效率高等特征的CS 算法對(duì)預(yù)測(cè)方法進(jìn)一步優(yōu)化，從而使所預(yù)測(cè)的交通需求滿足DTA 對(duì)需求數(shù)據(jù)在準(zhǔn)確性、時(shí)效性等方面的要求。綜上確定整體研究框架如圖1所示。

圖1 研究整體框架圖Fig.1 Overall framework of research

2 面向動(dòng)態(tài)交通分配的交通需求預(yù)測(cè)方法

2.1 基于局部加權(quán)回歸的周期趨勢(shì)分解

STL 方法是一種以魯棒局部加權(quán)回歸作為平滑方法的數(shù)據(jù)分解方法，可分解交通需求等時(shí)間序列數(shù)據(jù)。對(duì)于交通需求數(shù)據(jù)，截取其所在樣本的數(shù)據(jù)區(qū)間，使用加權(quán)最小二乘法進(jìn)行回歸分析，使估計(jì)點(diǎn)附近的值擁有相對(duì)較大的權(quán)重，以獲得局部回歸模型；重復(fù)此過程，直到獲得回歸曲線。STL 方法基于魯棒局部加權(quán)回歸(Locally Weighted Regression,LOESS)將原始交通需求數(shù)據(jù)Yt分解為t時(shí)刻的趨勢(shì)分量Tt、周期分量St和余項(xiàng)分量Rt。其模型分解算法的計(jì)算式為

式中：N為交通需求數(shù)據(jù)的時(shí)間序數(shù)。

2.2 布谷鳥尋優(yōu)算法

CS算法是一種基于自然界布谷鳥寄生種群策略的啟發(fā)式算法，通過模擬布谷鳥巢寄生性和Levy 飛行以在空間上隨機(jī)移動(dòng)的方式尋優(yōu)出最優(yōu)解的尋優(yōu)模式。CS 算法的全局搜索能力強(qiáng)，收斂速度快，參數(shù)設(shè)置相對(duì)簡單，易于實(shí)現(xiàn)和應(yīng)用于LSTM模型參數(shù)優(yōu)化問題的求解。

布谷鳥尋找宿主鳥巢的位置和路徑更新公式為

式中：為第p個(gè)鳥巢在第q次迭代時(shí)的位置；n為鳥巢個(gè)數(shù)，即可行解個(gè)數(shù)；λ為搜索數(shù)；α為步長縮放因子，α>0，且服從正態(tài)分布；?為點(diǎn)對(duì)點(diǎn)乘積；L(λ) 為 Levy 隨機(jī)搜索路徑，且Levy ～u=t-λ,1<λ≤3，其中，u為由Levy飛行得到的隨機(jī)步長。

2.3 長短期記憶神經(jīng)網(wǎng)絡(luò)

LSTM 神經(jīng)網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)的一種，可以解決長時(shí)間序列訓(xùn)練時(shí)出現(xiàn)的梯度爆炸和消失問題，有效提取長時(shí)間序列中的信息，更適合處理交通需求等時(shí)間序列數(shù)據(jù)。LSTM 相比于RNN，增加記憶單元，包含遺忘門、更新門和輸出門，可以利用歷史信息，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 LSTM網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Network structure of LSTM

圖2 中，(X1,X2,…,Xm)表示任意OD 點(diǎn)的輸入序列，(Y1,Y2,…,Ym)表示任意OD 點(diǎn)的輸出序列，(H1,H2,…,Hm)表示隱藏層狀態(tài)，(d1,d2,…,dl)表示輸入交通需求數(shù)據(jù)，m表示路網(wǎng)的起訖點(diǎn)數(shù)量，l表示輸入數(shù)據(jù)的時(shí)間序數(shù)；(d1+k,d2+k,…,dl+k)表示輸出交通需求預(yù)測(cè)結(jié)果，k表示預(yù)測(cè)時(shí)間步長。交通需求數(shù)據(jù)在時(shí)間序數(shù)為t時(shí)的矩陣dt為

2.4 構(gòu)建CS算法優(yōu)化的LSTM模型

CS算法改進(jìn)LSTM模型的具體步驟如下。

Step 1 初始化神經(jīng)網(wǎng)絡(luò)的超參數(shù)，確定迭代次數(shù)、學(xué)習(xí)速率、隱藏層單元數(shù)量變化區(qū)間。

Step 2 初始化CS 算法參數(shù)，隨機(jī)生成鳥巢的位置，每個(gè)鳥巢的位置包含4個(gè)參數(shù)(LSTM第1層、第2層隱藏層單元數(shù)量L1、L2，學(xué)習(xí)速率Lr和訓(xùn)練迭代次數(shù)K)。根據(jù)鳥巢初始化的各個(gè)參數(shù)進(jìn)行訓(xùn)練，計(jì)算每個(gè)鳥巢的預(yù)測(cè)值，找到誤差最小的鳥巢位置，保存到下一代。

Step 3 根據(jù)鳥巢位置和路徑更新式(2)進(jìn)行更新，通過LSTM 神經(jīng)網(wǎng)絡(luò)計(jì)算預(yù)測(cè)誤差，與Step 2中除最小鳥巢之外的其他鳥巢進(jìn)行對(duì)比，得出誤差最小的鳥巢替代誤差最大的鳥巢，從而得到當(dāng)前的最優(yōu)鳥巢位置。

Step 4 得到最優(yōu)鳥巢，即可得出超參數(shù)的最優(yōu)組合。若達(dá)到精度要求，則返回上一步繼續(xù)搜索；否則，輸出當(dāng)前最優(yōu)值。

Step 5 在每一次迭代之后，有一部分鳥巢按照丟棄概率被拋棄，使得該搜索算法可以獲得最佳適應(yīng)度值。

Step 6 在神經(jīng)網(wǎng)絡(luò)模型中輸入訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，若未達(dá)到預(yù)測(cè)精度或超出迭代范圍，則不斷學(xué)習(xí)；若達(dá)到迭代次數(shù)或預(yù)測(cè)精度，則停止神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，保存當(dāng)前最優(yōu)超參數(shù)組合。

3 實(shí)例分析

3.1 實(shí)驗(yàn)數(shù)據(jù)及研究區(qū)域

應(yīng)用西安市長安區(qū)部分路網(wǎng)2021年3月8日—4月4日視頻卡口的車牌數(shù)據(jù)驗(yàn)證所提出方法。數(shù)據(jù)記錄了設(shè)備編碼及通過卡口車輛的車牌、車道、行駛方向、車速、時(shí)間等信息。由于采集設(shè)備均設(shè)在交叉口范圍內(nèi)，故選取交叉口節(jié)點(diǎn)作為交通小區(qū)?；谲嚺茢?shù)據(jù)通過追蹤每個(gè)車輛的行駛軌跡，確定車輛出行的起訖點(diǎn)，由此獲取路網(wǎng)交通需求數(shù)據(jù)。研究區(qū)域共有檢測(cè)器節(jié)點(diǎn)33 個(gè)，無檢測(cè)器節(jié)點(diǎn)14個(gè)，路段75個(gè)，研究區(qū)域路網(wǎng)及節(jié)點(diǎn)分布情況如圖3所示。

圖3 研究區(qū)域路網(wǎng)布局圖Fig.3 Layout of road network in studied area

3.2 評(píng)價(jià)指標(biāo)

為驗(yàn)證預(yù)測(cè)方法的有效性和實(shí)驗(yàn)結(jié)果的準(zhǔn)確性，利用常用統(tǒng)計(jì)指標(biāo)對(duì)實(shí)驗(yàn)誤差進(jìn)行評(píng)價(jià)，選取平均絕對(duì)誤差(Mean Absolute Error,MAE)、均方根誤差(Root Mean Square Error,RMSE)和決定系數(shù)(Coefficient of Determination,R2)作為評(píng)價(jià)指標(biāo)量化預(yù)測(cè)結(jié)果。3個(gè)評(píng)價(jià)指標(biāo)的表達(dá)式分別為

式中：ERMSE為RMSE的值；EMAE為MAE的值；和yt分別為交通需求的預(yù)測(cè)值和實(shí)際值。

3.3 時(shí)間間隔選擇

根據(jù)DTA 分析精度等要求，其對(duì)交通需求數(shù)據(jù)集的時(shí)間間隔要求也有所差異，因此需對(duì)所獲取交通需求數(shù)據(jù)集的時(shí)間粒度進(jìn)行分析。因動(dòng)態(tài)交通分配研究時(shí)長一般為1～2 h，對(duì)應(yīng)交通需求數(shù)據(jù)的統(tǒng)計(jì)時(shí)間間隔為5～20 min，因此確定時(shí)間間隔為5，10，15，20 min。取研究時(shí)長為1 h，對(duì)應(yīng)時(shí)間序列階數(shù)分別為12、6、4、3。為選取最優(yōu)時(shí)間間隔，以均方根誤差為指標(biāo)分析各時(shí)間間隔的交通需求預(yù)測(cè)結(jié)果，對(duì)各時(shí)間間隔下階數(shù)進(jìn)行統(tǒng)計(jì)，考慮到數(shù)據(jù)基數(shù)的倍數(shù)差異，以均方根誤差最小為準(zhǔn)則得到相應(yīng)誤差，結(jié)果如表1所示。

表1 不同時(shí)間間隔下最優(yōu)時(shí)間序列階數(shù)統(tǒng)計(jì)Table 1 Statistical results of optimal time series orders at various time intervals

當(dāng)?shù)刃r(shí)長當(dāng)60 min時(shí)，15 min時(shí)間間隔時(shí)的均方根誤差最小。因此，綜合考慮交通需求預(yù)測(cè)誤差以及網(wǎng)絡(luò)預(yù)測(cè)效率等因素，針對(duì)測(cè)試路網(wǎng)選取15 min時(shí)間間隔。

3.4 STL數(shù)據(jù)分解結(jié)果

設(shè)置預(yù)測(cè)步長為4，即根據(jù)歷史每1 h的交通需求預(yù)測(cè)后續(xù)15 min的交通需求；同時(shí)考慮交通需求數(shù)據(jù)以24 h為單位的周期特征，設(shè)置STL的周期參數(shù)為96。周內(nèi)各工作日的交通需求時(shí)序特征也存在一定差異，因此選取2021 年3 月29 日—4 月4 日共5 個(gè)工作日的交通需求數(shù)據(jù)作為測(cè)試集，STL 分解的結(jié)果如圖4所示。

圖4 交通需求數(shù)據(jù)STL分解結(jié)果Fig.4 Decomposition results of traffic demand data using STL

從圖4可以看出，交通需求數(shù)據(jù)的趨勢(shì)分量反映了剔除周期分量和余項(xiàng)分量后交通需求長期變動(dòng)的真實(shí)趨勢(shì)，即交通需求數(shù)據(jù)長期變化的波動(dòng)性，其變化曲線平滑且在18.5～21.5范圍內(nèi)波動(dòng)；周期分量呈現(xiàn)了交通需求數(shù)據(jù)早晚高峰及日間平峰的周期性變化特征；余項(xiàng)分量體現(xiàn)了交通需求數(shù)據(jù)的隨機(jī)性特征，隨機(jī)性被包含在有序周期內(nèi)，在-24～32范圍內(nèi)波動(dòng)。

3.5 不同研究時(shí)段的預(yù)測(cè)結(jié)果

對(duì)不同研究時(shí)段交通需求預(yù)測(cè)模型的結(jié)果誤差進(jìn)行評(píng)價(jià)。在預(yù)測(cè)性能的比較中，對(duì)單一LSTM、支持向量回歸(Support Vector Regression,SVR)和自回歸滑動(dòng)平均(Auto Regressive Moving Average,ARMA)模型的預(yù)測(cè)效果進(jìn)行統(tǒng)計(jì)。單一LSTM模型的參數(shù)設(shè)置與STL-CS-LSTM預(yù)測(cè)模型相同，模型初始參數(shù)(L1,L2,Lr,K)的范圍設(shè)置為([1,100],[1,100],[0.001,0.01],[10,100])。根據(jù)交通需求數(shù)據(jù)繪制的自相關(guān)函數(shù)曲線圖、偏相關(guān)函數(shù)曲線，并根據(jù)赤池信息準(zhǔn)則確定ARMA 最優(yōu)模型為ARMA(2,1)。SVR 預(yù)測(cè)精度的參數(shù)主要為懲罰系數(shù)C和高斯核函數(shù)幅寬g，交通需求預(yù)測(cè)參數(shù)(C,g)設(shè)置為(10.00,0.05)。STL-CS-LSTM 模型與其他3 種預(yù)測(cè)模型在早晚高峰(7:00-9:00,18:00-20:00)、日間平峰(9:00-18:00)時(shí)段和全日(7:00-20:00)時(shí)段的所有起訖點(diǎn)交通需求數(shù)據(jù)的模型預(yù)測(cè)效果評(píng)價(jià)指標(biāo)結(jié)果如表2所示。

表2 不同時(shí)段模型預(yù)測(cè)結(jié)果Table 2 Prediction results of proposed model at various time periods

從表2 結(jié)果可知，在3 個(gè)不同的連續(xù)時(shí)段(高峰、平峰、全日)，面向動(dòng)態(tài)交通分配的交通需求預(yù)測(cè)中，STL-CS-LSTM預(yù)測(cè)模型比LSTM模型、SVR模型、ARMA 模型的決定系數(shù)R2增加了10.83%～15.04%，均方根誤差ERMSE以及絕對(duì)平均誤差EMAE分別降低了11.06%～17.88%、14.30%～18.50%，說明所提出的STL-CS-LSTM模型在不同時(shí)段(高峰、平峰、全日)都能取得良好的預(yù)測(cè)結(jié)果。將STLLSTM模型與單一LSTM模型對(duì)比，其ERMSE、EMAE分別降低了10.09%、12.95%，決定系數(shù)R2增加了3.61%，說明STL 分解算法可以提高LSTM 模型的預(yù)測(cè)精度。同時(shí)將本文所提出的CS算法優(yōu)化的模型與GA、PSO算法優(yōu)化的模型相比，ERMSE、EMAE分別降低了5.44%～8.35%、3.37%～7.66%，決定系數(shù)R2增加了3.30%～9.30%，說明CS 算法相比于GA、PSO 等算法在提高LSTM 交通需求預(yù)測(cè)模型預(yù)測(cè)精度方面具有優(yōu)勢(shì)。

動(dòng)態(tài)交通分配研究需要高精度的連續(xù)時(shí)段的交通需求數(shù)據(jù)，因此分別選取高峰和平峰兩個(gè)時(shí)段連續(xù)4個(gè)時(shí)間間隔進(jìn)行交通需求預(yù)測(cè)，其評(píng)價(jià)結(jié)果如表3～表6所示。

表3 高峰連續(xù)時(shí)間間隔模型預(yù)測(cè)結(jié)果Table 3 Prediction results for consecutive periods at peak hours

表3 和表4 為STL-CS-LSTM 模型與LSTM 模型、SVR 模型、ARMA 模型在高峰和平峰兩個(gè)時(shí)段連續(xù)4 個(gè)時(shí)間間隔交通需求預(yù)測(cè)誤差評(píng)價(jià)指標(biāo)計(jì)算結(jié)果。STL-CS-LSTM 模型的預(yù)測(cè)結(jié)果相比于LSTM模型、SVR模型、ARMA模型，高峰時(shí)段(8:00-9:00)的決定系數(shù)R2增加了8.62%～11.74%，均方根誤差ERMSE以及絕對(duì)平均誤差EMAE分別降低了11.20%～17.99%、12.33%～18.86%；平峰時(shí)段(14:00-15:00)的決定系數(shù)R2增加了9.56%～12.48%，均方根誤差ERMSE以及絕對(duì)平均誤差EMAE分別降低了11.83%～17.97%、10.55%～19.80%。

表4 日間平峰連續(xù)時(shí)間間隔模型預(yù)測(cè)結(jié)果Table 4 Prediction results for consecutive periods at off peak hours

表5和表6 為STL-CS-LSTM 模型與STLLSTM模型、STL-GA-LSTM模型、STL-PSO-LSTM模型在高峰和平峰兩個(gè)時(shí)段連續(xù)4 個(gè)時(shí)間間隔交通需求預(yù)測(cè)誤差評(píng)價(jià)指標(biāo)計(jì)算結(jié)果。STL-CSLSTM 模型的預(yù)測(cè)結(jié)果相比于其他3 種模型，高峰時(shí)段(8:00-9:00)的決定系數(shù)R2增加了8.62%～11.74%，均方根誤差ERMSE以及絕對(duì)平均誤差EMAE分別降低了11.20%～17.99%、12.33%～18.86%；平峰時(shí)段(14:00-15:00)的決定系數(shù)R2增加了9.56%～12.48%，均方根誤差ERMSE以及絕對(duì)平均誤差EMAE分別降低了11.83%～17.97%、10.55%～19.80%。

表5 高峰時(shí)段不同算法優(yōu)化的模型預(yù)測(cè)結(jié)果Table 5 Prediction results optimized by different algorithms at peak hours

表6 日間平峰時(shí)段不同算法優(yōu)化的模型預(yù)測(cè)結(jié)果Table 6 Prediction results optimized by different algorithms at off peak hours

同時(shí)，根據(jù)表3～表6 可以看出，STL-CS-LSTM模型無論是高峰還是平峰時(shí)段連續(xù)時(shí)間間隔內(nèi)都能取得良好的預(yù)測(cè)結(jié)果。

3.6 全日預(yù)測(cè)結(jié)果分析

通過對(duì)研究區(qū)域內(nèi)全日運(yùn)用STL-CS-LSTM模型進(jìn)行預(yù)測(cè)，以體現(xiàn)STL-CS-LSTM 模型在全日所有時(shí)段的預(yù)測(cè)效果。STL-CS-LSTM的全日交通需求預(yù)測(cè)方法的以1-2起訖點(diǎn)為例的預(yù)測(cè)結(jié)果如圖5所示，并同LSTM 模型，SVR 模型和ARMA 模型的預(yù)測(cè)結(jié)果對(duì)比。

圖5 STL-CS-LSTM模型預(yù)測(cè)結(jié)果Fig.5 Prediction results of STL-CS-LSTM model

利用EMAE、ERMSE和R2量化預(yù)測(cè)結(jié)果，不同模型的預(yù)測(cè)評(píng)價(jià)指標(biāo)結(jié)果如表7所示。

表7 不同模型評(píng)價(jià)指標(biāo)結(jié)果對(duì)比Table 7 Prediction results comparison of various models

從圖5 可以看出，STL-CS-LSTM 模型的預(yù)測(cè)結(jié)果可以對(duì)交通需求的變化趨勢(shì)進(jìn)行很好地?cái)M合，說明全日所有時(shí)段的預(yù)測(cè)效果良好。從表7 可以看出，STL-CS-LSTM模型具有更好的預(yù)測(cè)精度，其預(yù)測(cè)結(jié)果的誤差值均小于其他3種預(yù)測(cè)模型，決定系數(shù)均高于其他3種模型。相比于SVR、ARMA等預(yù)測(cè)模型，LSTM預(yù)測(cè)模型其EMAE和ERMSE指標(biāo)分別降低了11.92%、13.56%，R2提高了8.64%，預(yù)測(cè)精度得到提高；引入STL 方法以及CS 優(yōu)化算法的STL-CS-LSTM模型，相較于LSTM模型，EMAE和ERMSE指標(biāo)分別降低了11.89%、12.53%，R2提高了7.90%，預(yù)測(cè)精度有了進(jìn)一步的提高，表明在全日所有研究時(shí)段內(nèi)相比單一模型LSTM模型、SVR模型以及ARMA 模型，STL-CS-LSTM 模型的預(yù)測(cè)精度最高。同時(shí)，將STL-CS-LSTM 模型與STL-LSTM模型、STL-GA-LSTM 模型、STL-PSO-LSTM 模型對(duì)比，EMAE和ERMSE指標(biāo)分別降低了7.36%～13.81%、4.23%～10.67%，R2提高了3.50%～7.01%，且本文所提出的模型運(yùn)行時(shí)間最短，說明在全日所有時(shí)段的預(yù)測(cè)中，STL-CS-LSTM 預(yù)測(cè)模型具有最優(yōu)的預(yù)測(cè)精度及運(yùn)行效率。

面向動(dòng)態(tài)交通分配的STL-CS-LSTM交通需求預(yù)測(cè)方法，通過算法對(duì)樣本的訓(xùn)練與學(xué)習(xí)，能夠映射并處理交通量隨時(shí)間變化的復(fù)雜非線性規(guī)律，基于STL方法和CS算法可以有效提高LSTM的預(yù)測(cè)性能，實(shí)現(xiàn)面向動(dòng)態(tài)交通分配的較高精度的交通需求預(yù)測(cè)。

4 結(jié)論

本文得到的主要結(jié)論如下：

(1) 面向動(dòng)態(tài)交通分配需求構(gòu)建了STL-CSLSTM交通需求預(yù)測(cè)方法，應(yīng)用區(qū)域視頻監(jiān)控卡口的車牌數(shù)據(jù)，根據(jù)DTA 對(duì)交通需求數(shù)據(jù)精度等要求，針對(duì)測(cè)試路網(wǎng)以15 min統(tǒng)計(jì)交通需求數(shù)據(jù)。

(2)應(yīng)用西安市長安區(qū)數(shù)據(jù)測(cè)試結(jié)果表明，對(duì)比STL-CS-LSTM 模型與LSTM、SVR、ARMA、STL-LSTM、STL-GA-LSTM、STL-PSO-LSTM 模型，這7 種預(yù)測(cè)模型在早晚高峰、日間平峰和總體這3 個(gè)不同時(shí)段以及面向DTA 的4 個(gè)連續(xù)時(shí)段的預(yù)測(cè)效果中，STL-CS-LSTM 模型的預(yù)測(cè)效果均最優(yōu)；對(duì)比同一起訖點(diǎn)的全日預(yù)測(cè)結(jié)果，相比于STLLSTM模型、STL-GA-LSTM模型、STL-PSO-LSTM模型，STL-CS-LSTM 模型預(yù)測(cè)結(jié)果的EMAE、ERMSE分別降低了11.89%～20.04%、12.53%～18.26%，R2提升了7.90%～14.86%，且模型的運(yùn)行時(shí)間最短。

本文目前僅以西安市長安區(qū)部分路網(wǎng)數(shù)據(jù)進(jìn)行實(shí)例分析，未來將通過更大范圍的路網(wǎng)數(shù)據(jù)對(duì)更長時(shí)間內(nèi)的動(dòng)態(tài)交通分配需求數(shù)據(jù)預(yù)測(cè)進(jìn)行驗(yàn)證及優(yōu)化。