基于改進LSTM 模型的短期車流量預測*

魏 健，趙紅濤，加鶴萍

（1.華北電力大學 數理學院，北京 102206；2.華北電力大學 經濟管理學院，北京 102206）

近年來隨著人們的生活質量不斷提高，機動車購買量也變得越來越多。伴隨而來的是嚴重的交通擁堵狀況，給人們的出行造成極大不便。短時車流預測可以幫助交通部門及時了解某路段未來可能發生的擁堵情況，從而提前做出反應，同時對于人們的出行也具有一定的意義，可以讓人們及時避過擁堵路段[1]。

文獻[1]使用LSTM 模型對北京市朝陽區某道路交叉口的車流量進行預測，使用自動編碼器進行無監督學習，將自動編碼器的輸出作為LSTM 的輸出。文獻[3]使用LSTM 模型預測地鐵站溫度，并且在數據預處理的過程中使用了小波降噪的方法，建立了有關時序數據的模型方法，并且與傳統的ARIMA 模型比較，證明了LSTM 在處理較大幅度變化的數據時，其誤差小于ARIMA 模型。文獻[5]考慮到語言特征可能不僅僅受到以前語言的影響，也可能受到之后語句的影響，所以在自然語言處理中利用了雙向GRU 模型和注意力機制。文獻[6]針對數據的長期依賴性，使用基于注意力機制的CNN-LSTM 模型擬合數據，在LSTM 后端構建注意力機制，給隱含層賦予不同的權重來優化最終的輸出結果。實驗證明，在注意力機制的優化下，其誤差結果小于CNN 等神經網絡模型。文獻[7]構建了短時車流量的預測模型，建立CNN-LSTM 模型預測車流量數據并且得到了良好的結果。

由于在后續的實驗中發現車流量在工作日和節假日……