梁永田

中国铁建投资集团有限公司

摘 要：通过对LSTM神经网络模型和RNN神经网络模型的架构组成以及运算方式进行了分析总结，二者在对交通流数据处理和训练时间上都各占优势。因此，本文以改进的LSTM神经网络模型（GA-LSTM模型和GRU&Bi-LSTM）对高速公路交通流进行预测研究，结果表明，改进后的模型其计算精确度和对数据处理分析能力均强于未改进的LSTM模型。

关键词：交通流预测;LSTM神经网络;深度学习;

作者简介：梁永田（1984—），男，工程师，从事高速公路投资运营工作。;

0 引言

传统的交通流预测统计模型主要包括模糊理论、小波分析、卡尔曼滤波模型和回归模型等。但上述模型对于数据的分布特点有着不同的要求，在某些情况下不便对交通流进行预测。而机器学习则对需要分析的数据没有特殊要求，而且还可以在多层次、多影响因素下进行数据处理分析。

1 高速公路交通流主要影响因素

对高速公路交通流的主要影响因素进行分析是完成构建高速公路交通流预测模型的基础。现只考虑除因经济增长和高速公路里程及驾驶车辆增加以外小范围内引起高速公路车流量的影响因素变化。

1.1 天气的影响

随着高速公路后期管理水平的提高和维修人员的增加，除了高速公路路况天气出现大雾、极端强降雨或雷暴天气时会对通行车辆造成严重影响，导致短期内车流量增加，出现交通管制现象外，天气变化对高速公路通行影响并不大。

1.2 节假日和通行费用

每逢我国法定假日高速公路免收通行费用时，大部分返乡人群和自驾出行旅客会更倾向高速公路通行，造成在较短时间内高速公路车流量剧增。

1.3 交通事故等其他不可抗力影响

当高速公路的某些路段发生车祸时，必然会导致事发地路段区域的车流量通行能力下降，行车时间增加，短期内车流量出现变化。除交通事故以外，例如因短期内高速交通管制、驾驶员行驶状态、车辆的状况等其他因素都会影响高速公路的交通流。

2 LSTM交通流模型预测

长短期记忆神经网络（以下简称为LSTM）构建的交通流预测模型，能解决RNN梯度消失和通过人为更改时间任务时程的问题，但由于LSTM结构内部组成过于复杂，在进行模型建立和预测数据分析时需要考虑较多的参数，使得计算难度较其他循环神经网络结构更大。因此，在采用LSTM构建预测交通流模型时，为减少模型受噪声数据影响，通常对LSTM的模型进行修改，例如MVF-LSTM模型、GRU-LSTM模型常被用于高速公路交通流预测。

LSTM是目前应用较为普遍的神经网络的一种，其计算的链式结构如图1所示。其中各符号解释说明已在图中给出。从图1中可以看出，随着链式计算模型的序列不断推进，隐藏层U的权重也在不断损失[1]。

 

图1 LSTM神经网络链式结构图 下载原图

在LSTM神经网络计算时，神经元所占权值是共享的，即在W和U处的数值是完全相同的，每个神经元只负责与自身连接的路线建立全连接，其神经元工作特点与其他神经网络的不同之处如图2所示，神经元的交互结构为图2中所示的重复交互结构。

 

图2 LSTM神经网络重复模块结构图 下载原图

3 RNN神经网络高速交通流预测

在传统的神经网络模型计算时，从输入层→隐含层→输出层的过程中，各层的计算节点是没有连接的，这导致在神经网络链式结构计算时前后的序列状态无法产生联系。

在对高速公路交通流模型预测构建时，为降低计算过程的复杂性，通常将模型中较远时间点的状态进行忽略处理，只保留当前状态中前面几个相关状态。因此在对距离较长和公路网线较复杂的高速公路车流量预测时准确率会有所降低，而采用RNN网络结构作为高速公路交通流预测模型时，可以获取可表征数据深层特征的隐层参数、表征序列区间与阈值，大幅提高预测结构的精度。

RNN神经网络能够存储链式结构计算时上一刻输出结果与这一刻输入结果的关系，与前项静态神经网络相比，RNN神经网络具有较好的动态特性，可以对输入和输出维数进行更改，在处理序列数据时尤为便捷。在RNN中的神经元运作时，神经元的输出可以在下一个计算时间点直接作用在自身，也就是在t时刻输出的第i层神经元，除了在t时刻输出的第（i-1）层神经元外还同时涵盖了自身在（t-1）时刻的输出。在（t+1）时刻神经网络输出的结果是该时刻输入结果和运算前期所以运算结果Oti共同作用计算得到的，通过对时间序列的循环处理得到预测模型。RNN网络模型在时间上展开的计算结构图如图3所示。

 

图3 RNN神经网络在时间上的展开图 下载原图

4 改进神经网络模型在高速公路交通流计算模型中的应用

当前深度学习方法在高速公路交通流预测模型构建时，通常对传统的LSTM神经网络、KNN神经网络、BP神经网络进行调整改进，主要是这些传统的神经网络在进行数据处理后所得的均方差和均方根与实际结果相差较大，而高速公路交通流预测最重要的就是对实时交通流误差最小才更能体现出预测模型的准确性。因此，现阶段对交通流预测模型主要是对传统神经网络进行改进为主。如下分别为对LSTM神经网络分别采用遗传算法优化的GA-LSTM模型和GRU&Bi-LSTM模型对高速公路交通流进行预测。

4.1 基于GA-LSTM模型的交通流模型预测

在建立GA-LSTM模型[2]构建时，其主要架构包括数据处理模块、数据参数优化模块、网络训练模块和数据预测模块四部分组成，其运算流程如图4所示。

 

图4 GA-LSTM交通流预测模型框架图 下载原图

采用GA算法（遗传算法）对参数模块中的lb（数据时间步长）、ls（长短期记忆神经网络时间隐藏层）、ep（数据训练次数）和dp(dropout）进行空间搜索优化以确定4种参数的最佳组合方式。需要说明的是，dropout将采集的高速公路交通流作为输入数据，下一个阶段的交通流预测值作为输出矩阵，通过LSTM神经网络进行模型权重调节，最终拟合形成采用遗传算法的长短期记忆，最后模型预测所得的结果与高速公路交通流统计数据进行误差对比。

在对高速公路交通流预测时，遗传算法可以在搜索空间上寻找最优解。遗传算法模型是根据生物进化理论进行改进发展的一种搜索算法，将被预测模型通过简化处理变为生物进化过程，在进行目标筛选时通过对输入参数处理（主要是交叉、变异等方法）得到新的目标种群。在新的目标种群中淘汰那些适应度低的种群，实现将目标问题通过计算机二进制代码转变为基因和个体，个体最终组成种群，在个体组成种群的过程中，个体的交互、变异、交叉组合形成新的物种种群，再通过遗传算法的筛选迭代直到选择出符合目标问题的种群和个体。

 

图5 GRU&Bi-LSTM交通流预测模型框架图 下载原图

GA-LSTM模型对高速交通流预测的最终精度与参数取值有着密切关系，与多网格算法和精细化调整参数的目的相同，都是在整个参数模块内便利寻优。GA-LSTM需要对4个样本参数在搜索空间内寻求最优组合要通过对参数进行调整优化，最终形成符合高速公路交通流预测模型。遗传算法的主要流程操作步骤要分为7步：①将采集的交通流数据进行生物处理，得到最初的种群并进行解码；②确定GA-LSTM神经网络模型的自适应度函数（也就是GA-LSTM神经网络的均方差）；③将初始化种群的个体进行交叉变异和复制处理；④确定上一步处理得到的自适应度函数是否是最优解，如果其计算值符合要求则进行下一步计算，不符合的返回第三步继续进行计算；⑤得到高速公路交通流自适应度目标值和目标参数；⑥将第④步中得到的最佳参数值代入计算得到交通流预测均方；⑦若最优参数种群的迭代次数满足要求则终止判断，得到关于GA-LSTM高速公路交通流预测的参数组合[ls,lb,ep,dp]的最优组合，若不满足迭代次数则继续返回第⑥步进行重复计算。

4.2 基于GRU&Bi-LSTM的交通流模型预测

采用GRU&Bi-LSTM模型[3]对数据进行处理时需要对影响交通流的主要因素进行确定，高速公路交通流数据的采集（主要包括高速公路收费站数据和路况天气的采集）和对采集数据进行预处理占用了模型训练的主要部分，数据质量直接影响最后的均方差。本模型主要对采集数据从数据清洗和集成，GRA-S&K数据分析方面进行处理。在模块预处理时，采用GRA-S&K数据分析不仅可以实现对数据进行预处理，还可以得到GRA-S&K权重矩阵表，将二者结合后分别赋予不同权重得到试验数据的加权值。在模块训练部分主要是将预处理中得到的数据进行归一化处理和构造监督序列得到准备试验数据，再对准备试验数据进行GRU&Bi-LSTM模块训和模型评估判断，最终得到考虑高速公路收费站数据和天气影响的GRU&Bi-LSTM神经网络的高速公路交通流预测模型，GRU&Bi-LSTM神经网络模型架构如图5所示。

在对高速公路的实验数据进行清洗和处理时，由于部分高速收费站路口的数据缺失和异常数据值会严重影响模型训练时的效率和均方差，数据清洗可以在剔除初始数据中的脏数据进而提高数据训练效率。本模型主要考虑高速收费口数据（主要包括交易状态、车辆类型、发送时间等因素）采集和天气变化（主要包括时间、气温、湿度、降雨量、可见度等因素）对交通流的影响。

在对采集数据进行分析时，GRA无法体现相似性影响因素和目标影响因素的正负相关性，为了提高高速公路交通流预测模型的精度需要借助S&K相关性分析（分别指Spearman相关性分析和Kendall相关性分析）确定影响因素和目标因素的关系，其数据分析流程如图6所示。

 

图6 GRA-S&K数据处理流程图（下转第19页） 下载原图

5 结语

本文对影响高速公路车流量的影响因素进行了总结，通过LSTM神经网络模型和RNN神经网络模型对高速公路交通流的预测特点进行了分析归纳，发现传统的神经网络模型已经不适合对信息化高速公路车流量进行预测，需要对其进行改进或结合新的数据处理方法才能提高预测的精确度，改进的LSTM神经网络模型（GA-LSTM模型和GRU&Bi-LSTM）在增加考虑影响因素的同时，提高了训练效率。

参考文献

[1] 刘铭.基于改进LSTM算法的短时交通流量预测[J].桂林理工大学学报，2021(41):409-414.

[2] 温慧英. GA-LSTM模型在高速公路交通流预测中的应用[J].哈尔滨工业大学学报，2019(51):81-87.

[3] 张维.基于GRU&Bi-LSTM的高速公路交通流预测模型[D].西安：长安大学，2021.

 

声明：我们尊重原创，也注重分享。有部分内容来自互联网，版权归原作者所有，仅供学习参考之用，禁止用于商业用途，如无意中侵犯了哪个媒体、公司、企业或个人等的知识产权，请联系删除（邮箱：glyhzx@126.com），另本头条号推送内容仅代表作者观点，与头条号运营方无关，内容真伪请读者自行鉴别，本头条号不承担任何责任。