基于深度學習的智慧城市交通路口短時流量預測

摘 要：本文旨在提高城市交通管理的智能化水平，并以深度學習技術為核心，設計針對交通路口的短時流量預測方法。通過整合固定監測設備與移動數據源，全面采集交通路口的車輛流動數據，并經過精細的數據預處理保證數據質量。采用雙向長短期記憶網絡（Bi-directional Long Short-Term Memory，Bi-LSTM）深度學習模型獨特的“門”控機制有效捕捉時間序列中的復雜依賴關系，通過模型構建與訓練、流量預測以及結果輸出，結合全連接層，對短時交通流量進行準確預測。試驗結果表明，該方法顯著縮小了預測誤差，為智慧城市交通管理提供了有力的數據支撐與決策依據。

關鍵詞：深度學習；短時流量；交通路口；智慧城市" " "中圖分類號：U 491" 文獻標志碼：A

智慧城市旨在通過集成先進的信息與通信技術，對城市運行系統進行全面感知、分析、整合和智能響應，提高資源使用效率、優化城市管理、改善居民生活質量。在智慧城市的眾多組成部分中，交通系統作為城市運行的基礎，提高其智能化水平對緩解交通擁堵、減少交通事故、提高出行效率具有至關重要的作用。交通流量預測對優化交通信號控制、制定交通管理策略、規劃交通基礎設施建設等方面具有重要意義。因此，尋找一種更加高效、準確的交通流量預測方法成為研究熱點。

楊國威等[1]提出融合多通道卷積神經網絡和注意力機制與雙向長短期記憶網絡的交通流量預測方法。但當面對數據源不穩定或數據缺失的情況時，難以高效且實時獲取這些外部數據。陸由付等[2]采用奇異譜分析算法來迭代優化網絡中的超參數，以此提高模型的訓練效率和預測性能。奇異譜分析算法的復雜性和較高的計算成本可能會限制其處理大數據集或實時預測任務時的效率。

針對現有成果，本次研究將引進深度學習技術，以某智慧城市為例，對其交通路口短時流量預測方法進行設計。

1 交通流數據預處理

交通信息采集技術根據設備固定性分為固定與移動兩類。固定型技術適用于特定地點，實現定點長期監測，而移動型技術則靈活覆蓋路段，可以實現大范圍自由采集[3]。前者可以保證數據連續穩定，后者提供全面靈活的交通洞察。根據采集需求選擇技術，能精準捕捉交通動態信息。

在完成數據采集后，設定車流量閾值、速度閾值[4]，去除采樣數據中的異常數據，可以用公式（1）、公式（2）表示此過程。

式中：q為流量數據；f1為q的修正系數；C為交通路口通行上限值；T為數據采樣間隔；v為速度；f2為v的修正系數；vt為交通路口速度限值。

在保留數據中核心信息的基礎上，引進一次指數平滑算法去除部分冗余內容，完成數據去噪[5]。該算法通過賦予近期數據較高的權重，按照權重遞減的順序處理歷史數據，平滑時間序列數據中的隨機波動。一次指數平滑算法的優勢是其具有高效性、適應性和直觀性。首先，該算法相對簡單，計算速度快，能夠高效地處理大規模數據集，這對需要快速響應和分析大量數據的應用場景尤為重要。其次，通過調整平滑系數，算法可以靈活適應不同數據特性的去噪需求，保證去除冗余信息，同時可以準確提取和保留數據中的核心信息。最后，平滑后的數據呈現出更加平滑、連續的特點，這有助于用戶更清晰地識別數據中的趨勢和模式，為決策提供更為可靠和直觀的依據。可以用公式（3）表示此過程。

式中：為平滑處理后的數據；m為處理次數；X為數據冗余程度；k為平滑指數。

2 短時交通流量預測方法

利用深度學習技術中的LSTM算法構建短時交通流量預測模型。LSTM通過遺忘門、輸入門和輸出門控制信息的流動，有效處理時間序列數據中的長期依賴關系[6]。為了進一步提高預測性能，采用Bi-LSTM算法處理序列數據時可以利用過去和未來的信息。具體步驟如下。

對進入神經網絡遺忘門的預處理后的數據進行初步更新，其過程如公式（4）所示。

式中：F為遺忘門輸出；σ為Sigmoid函數；Wf為遺忘門權重；ht-1為上一時間狀態（隱藏）；xt為當前輸入；bf為遺忘門偏置。

更新后的數據進入輸入門與輸出門，對數據每個時間步狀態進行更新。可用公式（5）、公式（6）表示此過程。

式中：i、o為輸入門、輸出門的對應輸出；Wi、Wo為輸入門、輸出門對應的學習權重；bi、bo為輸入門、輸出門對應的偏置量。

Bi-LSTM由兩個LSTM層組成，一個正向處理輸入序列，一個反向處理，最終將兩個方向的輸出進行合并[7]。在模型訓練階段，將預處理后的數據作為樣本數據，輸入Bi-LSTM模型中，訓練出能夠準確預測短時交通流量的時序數據。模型表達式如公式（7）所示。

式中：H為短時交通流量時序數據輸出；θ為學習率；Ct為矩陣元素乘積。

為了將Bi-LSTM的輸出轉換為具體的流量預測值，在Bi-LSTM層后添加一到多個全連接層。通過訓練，這些全連接層可以學習從Bi-LSTM輸出到實際流量值之間的映射關系，最終輸出預測的短時交通流量值，計算過程如公式（8）所示。

式中：y為路口車流量預測值；O為全連接層訓練次數；μ為全連接層數量；Y為全連接層神經元數量。

當訓練能夠準確預測短時交通流量的模型時，調整模型參數，細致地優化學習率、權重和偏置等關鍵參數，最小化預測誤差。學習率作為控制模型學習速度的超參數，其大小直接影響模型的收斂速度和最終性能。學習率過小可能導致訓練過程緩慢，而學習率過大則可能使模型在最優解附近震蕩甚至發散。權重和偏置是神經網絡中的可訓練參數，在每次迭代中，根據預測誤差，利用反向傳播算法進行更新。在訓練初期，通常會將較小的隨機值作為初始權重和偏置，然后通過多次迭代逐漸調整至最優值。這個過程需要精細地平衡模型的擬合能力和泛化能力，避免過擬合或欠擬合現象。

為了實現這個目標，采用梯度下降法來優化模型參數。根據預測誤差的梯度信息，自動調整參數更新的方向和步長，高效地搜索最優解。通過反復迭代訓練過程，模型逐漸學習到交通流量數據的內在規律和時空依賴特性，最終能夠輸出準確可靠的短時交通流量預測結果。

通過上述步驟，模型會輸出一個或多個時間步的短時交通流量預測值。這些預測值可以直接用于交通管理決策，例如信號控制優化、交通流量疏導等。

3 對比試驗

3.1 試驗準備

完成上述內容設計后，將某智慧城市作為研究試點，深入分析其關鍵交通路口的流量與運營情況，以市中心交匯的路口為例，利用智能監測系統獲取真實數據，在早晚高峰時段（7：00—9：00和17：00—19：00），該路口東西向車流量平均達到1500輛/h，南北向車流量也高達1300輛/h。在非高峰時段，車流量顯著減少，約為高峰時段的40%。

結合交通運營情況分析，該路口利用智能信號燈控制系統有效緩解了交通擁堵問題，平均等待時間縮短了20%。同時，應用智慧停車系統使周邊停車難問題得到改善，車位周轉率提高了30%。這些數據表明，智慧交通技術在提高城市交通運營效率、緩解交通壓力方面發揮了重要作用。

在此基礎上，采集城市交通路口相關流量數據，將其作為訓練樣本，見表1。

在深入研究中發現，現有的流量預測方法盡管在提高交通管理效率上發揮了重要作用，但仍存在一些不足。當前預測模型通常難以全面考慮天氣突變、特殊事件（例如交通事故、大型活動）等不可預見因素，導致預測精度下降。根據實際數據統計，當遭遇突發暴雨天氣時，某智慧城市交通路口的實際車流量比預測值高出約30%，直接導致交通擁堵加劇，平均通行時間延長了20min。此外，現有預測模型對交通流復雜動態變化的捕捉能力有限，特別是網絡交通流中的時空相關性，進一步影響了預測的準確性和實時性。

3.2 試驗步驟

針對現有方法的不足，引進文獻[1]提出的基于外部因素的流量預測方法、文獻[2]提出的基于SSA-CNN-BiLSTM的流量預測方法，將其作為對照組1、2，采用文獻[1]方法、文獻[2]方法、本文設計的方法分別對智慧城市交通路口短時流量進行預測。為保證預測結果的可靠性，在設計方法后，按照表2內容，對本文方法中深度學習的訓練條件與技術參數進行分析。

在試驗過程中，利用交通監測設備（例如交通攝像頭、傳感器、GPS等）收集歷史交通流量數據，同時獲取相關的天氣數據、事件數據等作為輔助信息。在訓練過程中，可能需要調整模型的參數以優化預測性能。為了更準確地評估模型的性能，可以對數據進行交叉驗證，多次重復訓練和測試過程。

3.3 試驗結果與分析

當評估交通路口短時流量方法的性能時，將預測結果與訓練集中已知的實際流量數據進行比對。此過程不僅揭示了預測值與實際值之間的差異，即預測偏差，還成為檢驗所設計預測方法應用效果的核心指標。通過量化偏差，能夠直觀地了解預測方法的準確性、穩定性和泛化能力。統計預測結果如圖1～圖3所示。

從圖1～圖3的結果可以看出，在3種方法中，應用本文設計的方法對智慧城市交通路口短時流量進行預測的流量值與實際流量值偏差較小，而應用文獻[1]、文獻[2]方法的預測結果與實際值偏差較大。由此可以證明，本文設計的方法在交通路口車流量預測方法的應用效果較好。

4 結語

目前的交通流量預測方法多用統計模型或時間序列分析，利用這種方法處理復雜多變的交通數據時，難以準確捕捉交通流量的時空特性、動態變化以及突發事件的影響，導致預測結果不夠精確，難以滿足智能交通系統對實時性和準確性的要求。深度學習通過模擬人類大腦中的神經網絡結構和學習方式，能夠自動從海量數據中提取復雜特征，構建高精度的預測模型。經過實踐，這項技術已具有強大的學習能力和預測性能。因此，本文應用深度學習技術，以某智慧城市為例，通過交通流數據預處理、建立交通流量時序模型、路口車輛占用率計算，對城市交通路口短時流量預測方法進行設計研究，助力交通管理者及時制定有效的交通調度方案，緩解交通擁堵，為公眾提供更加便捷、高效的出行服務。

參考文獻

[1]楊國威，陳靜，張昭沖，等.考慮外部因素的MCNN-ABiLSTM交通流量預測模型[J].天津職業技術師范大學學報，2024，34（1）：66-73.

[2]陸由付，孔維麟，田垚，等.基于SSA-CNN-BiLSTM組合模型的短時交通流量預測[J].交通運輸研究，2024，10（1）：18-27.

[3]劉劍平，杜佳欣，羅子云，等.基于LSTM的小洋山北作業區投產初期洋山深水港主航道交通流量預測與分析[J].航海，2024（1）：19-23.

[4]廉清云，孫偉，李潤生.基于注意力機制的堆疊LSTM短時船舶交通流預測模型[J].大連海事大學學報，2024，50（1）：57-65.

[5]徐厚生，郭佳麗.結合時間注意力機制的Bi-GRU-Atten的短時交通流預測[J].遼寧工程技術大學學報（自然科學版），2023，42（6）：763-768.

[6]包文華，劉海瑞，方圓，等.基于CNN-ARIMA的交通路口短周期交通車流量預測方法[J].汽車實用技術，2023，48（22）：178-182.

[7]鐘林嵐，張安勤，田秀霞.基于周期圖卷積與多頭注意力GRU組合的交通流量預測模型[J].計算機應用研究，2024，41（4）：1041-1046.