基于CNN-LSTM-PSO的交通流量預測

佘占峰

摘? 要：伴隨著經濟的發展，城市內交通流量迅速增長，從而導致城市內交通道路擁堵問題日益嚴峻。為了緩解道路擁堵壓力，該文提出了一種基于CNN-LSTM-PSO的深度學習短期交通流預測框架，該框架結合CNN（Convolutional Neural Network，卷積神經網絡）和LSTM（Long Short Term Memory Networks，長短期記憶網絡），并以PSO（Particle Swarm Optimization，粒子群）算法進行混合網絡結構的超參數優化。最后通過對實際交通流數據集的實驗驗證該方法的有效性。

關鍵詞：交通流? 神經網絡? 流量預測? ?粒子群

中圖分類號：TP183;U491? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ?文章編號：1672-3791（2021）12（b）-0038-03

Abstract： With the economic development， the traffic flow in the city is increasing rapidly. This leads to an increasingly serious traffic congestion problem in the city. In order to alleviate the road congestion pressure， this paper proposes a deep learning short-term traffic flow prediction framework based on CNN-LSTM-PSO. The framework combines CNN （Convolutional Neural Networks） with LSTM （Long Short Term Memory networks）. What's more， it uses PSO （Particle Swarm Optimization） algorithm for hyper parameter optimization of hybrid network structure. Finally， the effectiveness of this method is verified through experiments on actual traffic flow data sets.

Key Words： Traffic flow; Neural networks; Flow prediction; Particle swarm

面對交通數據的爆炸式增長，現代交通運輸管理正在向數據驅動型的智慧交通過渡，在智能交通系統中，數據來源于各類信息采集、傳輸設備、傳感器、攝像頭、GPS、移動手機信號、社交媒體等。這些數據蘊藏著交通系統的內在特征，帶來了智慧交通的可行性和可預測性[1]。傳統的淺層預測模型無法滿足智能交通的精準性需求，因此該文構建基于CNN-LSTM-PSO深層模型的預測架構對交通流量的進行高效預測。神經網絡算法中CNN（Convolutional Neural Networks，卷積神經網絡）[2-3]和LSTM（Long Short Term Memory networks，長短期記憶網絡）[4]。利用CNN與LSTM分別提取交通流的空間、時間特征，從而進行短期和長期預測[5-6]。為了進一步提高預測精度，該文采用PSO優化CNN-LSTM，提出一種CNN-LSTM-PSO算法，并應用于交通擁堵預測。

1? CNN-LSTM-PSO的交通流量預測模型

CNN-LSTM混合網絡結構由一維CNN、LSTM和特征融合層構成。CNN層負責捕捉交通流數據的局部趨勢和特征，LSTM層負責學習交通流數據的短時變化特征和長期依賴周期特征，特征融合層將不同的時空特征融合于基于特征的融合層中，最終以這些時空特征作為輸入，在回歸層進行預測

圖1顯示了使用基于CNN-LSTM-PSO模型預測交通流量的總體架構，CNN-LSTM-PSO模型中，CNN-LSTM學習預處理的輸入數據，從CNN的卷積層和匯集層中提取多元時間序列變量的空間性質，LSTM層利用傳輸的空間特征對非規則時間信息進行建模，融合層進行特征融合。利用粒子群優化算法對構成CNN-LSTM的超參數進行優化，對CNN核的數目、LSTM的隱藏單元和由CNN-LSTM組成的完全連接層的單元數目進行編碼。粒子群優化算法在移動編碼粒子的同時找到最優的超參數結構。最后，應用CNN-LSTM-PSO方法可以產生預測的交通流量。

2? 仿真實驗與結果分析

該章節仿真實驗在64位Windows 7環境下，使用Python，采用深度學習框架Keras。實驗所使用的數據集為本地某街區為期一周的路網交通數據。數據包含21萬條車輛記錄。為了驗證PSO優化CNN-LSTM網絡結構的有效性，將最大迭代次數設為300次。

圖2是在交通數據集以CNN-LSTM-PSO和CNN-LSTM訓練后得到的短時交通量預測曲線。該文所提出的CNN-LSTM-PSO與實測曲線的擬合程度更高，代表其交通量預測更為準確，由此可以驗證PSO優化后的混合網絡結構在交通量預測中能夠獲得誤差更小的預測結果。

3? 結語

為了提高道路通行效率，該文在分析現有的交通流量預測模型的基礎上，提出了一種基于CNN-LSTM-PSO的深度學習短期交通流預測方法。該方法利用了時空相關性，以獲取交通流數據的局部趨勢和長期相關性之間的相關特征。利用實際的交通流數據集進行試驗仿真，驗證了該方法的有效性。

參考文獻

[1] 戴晨.高速公路智能交通誘導系統研究[J].科技資訊，2018，16（24）：37-39.

[2] 黎旭成.基于卷積神經網絡和長短期記憶模型的交通狀態預測[C]//品質交通與協同共治——2019年中國城市交通規劃年會論文集.北京：中國建筑工業出版社，2019：2873-2884.

[3] 原建洋，葛陽，蔣曉梅.基于深度多尺度卷積神經網絡的剩余使用壽命預測模型[J].科技創新導報， 2020，17（15）：243-244.

[4] 趙庶旭，張寶花.基于LSTM-RF模型的城市道路交通流預測[J].測試科學與儀器，2020，11（2）：135-142.

[5] TIAN Yan，ZHANG Kaili，LI Jianyuaan， et al.LSTM-based traffic flow prediction with missing data[J]. Neurocomputing，2018，318（27）：297-305.

[6] Toon Bogaerts，Antonio Pavid Masegosa，Juan S.Angarita Zapata， et al.A graph CNN-LSTM neural network for short and long-term traffic forecasting based on trajectory data[J].Transportation Research Part C： Emerging Technologies，2020，112：62-77.