基于LSTM-BP神經網絡的道路擁堵時間智能預測

武佳琪 李珂 檀亞寧

摘要：近年來，隨著國民經濟的發展，人民生活水平的提高，汽車占有率也在不斷增加。然而道路建設的相對滯后，導致城市交通擁堵情況日益嚴重?，F有的導航軟件通過獲取實時的GPS數據，確定當前的道路情況，但在嚴重的交通擁堵情況下，對交通擁堵時間預測的準確度較差?；诖?，本文通過熵權法對模型的指標進行篩選，并提出一科LSTM-BP：組合神經網絡模型，該模型可以很好的識別車流量、平均旅行時間、平均速度等數據，以此提高模型的預測精度。

關鍵詞：LSTM;BP神經網絡;道路擁堵;時間預測.

中圖分類號：TP183 文獻標識碼：A 文章編號：1007-9416（2020）05-0064-02

0引言

隨著人民生活水平的不斷提高，科技的不斷發展，機動車在數量和質量外觀上不斷突破創新的同時，交通擁堵的負面影響也凸顯的尤為明顯。在道路堵塞時，車輛只能慢速前進，這樣一來，停車和啟動的就變得尤為頻繁，在這種情況下，如何準確的預測通過擁堵路線所需要的時間就顯得尤為重要。

1數據預處理

本文利用Opendata、唐山市交通運輸局、高德交通信息發布平臺等多種渠道收集整理數據，包括車流量、車道占有率和平均旅行速度等指標。其中天氣規定閾值為（1，8）表示由陰到晴的程度。由于原始數據集中的數據質量參差不齊，可能使模型訓練過程陷入混亂，導致不可靠的輸出，所以在進行模型構建之前需要對數據進行預處理。經過預處理后根據道路擁堵指數和時間屬性對數據集進行整理計算，最終得到相關樣本數據集，并以7：3的比例對數據集進行劃分。

2模型構建

2.1熵權法求權重。選指標

在信息熵中如果一個指標變量的信息熵越小，表明該指標提供的信息量越大，也就表明它的權重比較大，在整體評價體系中所起的作用也就較大。基于此，本文使用熵權法對造成道路擁堵的多元化關鍵信息指標進行權重計算（如表1）。

2.2LSTM神經網絡計算

3結語

本文構建的LSTM-HP神經網絡模型不僅可以應用于道路交通擁堵，其優良的預測能力還可以為多種領域解決具體實際問題，如企業生產值銷售值、市場期望需求、地理動態變化等。合理準確的預測模型可以在一定程度上方便人們的生活、學習和工作，對將要發生的事情做出合理的準備集規劃。