基于長短期記憶網絡的智能交通流量預測分析

摘要：為了提高智能交通流的預測精度，設計了一種基于長短期記憶（long short-term memory，LSTM）網絡的智能交通流量預測分析方法。該方法采用時域和外部參數構成特征矩陣，通過卷積層對輸入特征進行卷積計算，再利用LSTM網絡模型對交通流特征進行預測。研究結果表明，在引入外部因素后，LSTM網絡模型的平均絕對百分比誤差（mean absolute percentage error，MAPE）下降了15.26%，精度（Accuracy）提高了0.09，通過提取外界因素可以使模型達到更高的預測精度。相較于其他的模型，LSTM網絡模型能夠通過卷積網絡實現對時序數據的高精度提取，從而提高模型的預測精度。該研究有助于提高交通流預測的準確性，為交通規劃提供一定的理論支撐。

關鍵詞：智能交通；流量預測；長短期記憶網絡

中圖分類號：TP39 文獻標識碼：A

0 引言

隨著我國城鎮建設水平的提升，機動車數量不斷增加，原有道路和其他基礎設施已不能滿足人們的出行需求，交通擁擠和環境污染問題日益嚴

峻[1-2]。通過對擁堵狀況進行分析可以發現，在主干道出現車輛堵塞時，還有部分路段通行順暢；若能事先對堵塞情況進行預測，則可以更好地掌握未來交通情況并采取相應調整措施[3]。

近年來，基于深度學習的道路交通控制方法已得到廣泛應用，將其用于道路交通預測可以提高道路管控水平[4-5]。部分學者通過深度神經網絡來實現對道路交通路況的動態反饋，并取得了較好的應用效果[6]。張召悅等[7]采用自回歸移動平均模型對流量時間序列進行初步線性預測，通過長短期記憶（long short-term memory，LSTM）網絡對線性預測后的殘差序列進行非線性修正預測，該方法能夠快速、準確、有效地預測空中交通流量。劉思林等[8]構建了一種基于多影響因素的交通流速度預測模型，相較于LSTM網絡模型、卷積神經網絡模型和雙向LSTM網絡模型，該模型的預測精度更高。基于此，本文通過對不同類型的交通流進行時序和周期特征提取，檢驗各種外在作用因素導致的路網流量變化，并通過 LSTM網絡時序分析方法對路網特征進行預測，為實現智慧交通提供技術支持。

1 LSTM網絡交通流量預測

本文以LSTM網絡作為主要研究對象，通過對路網中的交通流進行時域特征參量提取，獲得受外界影響因素而改變的路網流量信息，再以此為基礎，結合各類影響因素和時間序列構建特征矩

陣[9]。首先，建立矩陣S，在垂直方向上，按照時間順序排列形成交通流參量（S1，S2，…，ST）；在水平方向上，則將站點流量和其他各種特性都顯示出來，函數計算式如下[10]：

S = 。" " " " （1）

式中，s為監測站點的歷史流量數據，f為監測站點的特征數據。

本文利用LSTM網絡對交通流量進行預測，獲取不同類型的道路交通流量特征，并將其與LSTM網絡時序分析相結合，最終實現對交通流量的

預測。

按照以下步驟進行LSTM網絡交通流量預測。

步驟1：獲取流量信息后，對樣本參數進行初步篩選。

步驟2：對采集的數據進行預處理，包括異常數據修補、噪聲信號去除以及各個參數的歸一

化等。

步驟3：對預處理后的數據進行處理，將結果輸入卷積層，并對外界因素造成的車流波動進行

分析。

步驟4：從卷積層中抽取特征參量，并將這些參量輸入LSTM網絡進行學習，最終完成對各時段流量的預測。

步驟5：通過反向回歸模型計算并得到預測

結果。

LSTM網絡結構如圖1所示[11]。該網絡采用時域和外部參數構成特征矩陣，通過卷積層對輸入特征進行卷積計算，再利用Dropout層對以上特征進行正則化處理。

2 實驗分析

2.1 數據集

本文選取走向為從北向南的某公路進行測試，采集其1 h內的車流數據。根據該公路的氣象條件、節假日通行路況以及其他各種路況特征，對其未來

24 h內的車流進行預測[12]。對2020年10月10日到2023年10月10日（共計3年）的數據進行統計，收集獲得28 610條樣本參數。本文選取其中85%的樣本作為訓練數據集，選取15%的樣本作為測試數據集。

本文以LSTM網絡作為主要研究對象，通過平均絕對百分比誤差（mean absolute percentage error，MAPE）與精度（Accuracy）等指標全面評估該模型的預測效果，并建立了MAPE、Accuracy的計算

函數[13]：

MAPE =" | |×100%。" " " " " " " " " " " " " （2）

Accuracy = 1- 。" " " " " " " " " " " " " " " " " "（3）

式中，N為測試數據集數據量，i為樣本數，Yi和i分別為實際流量和預測流量。

2.2 實驗環境及參數設置

本文通過Python3.6進行模型編譯和調試。同時設定了適當的檢驗集參數，保證每個檢驗集都包含8個最佳參數。根據以上條件，利用前7日交通流量參數，預測了后續24 h內的車流變化結果。

采用LSTM網絡構建了智能交通流預測模型，該模型包含64個不同尺寸的卷積層以及64個LSTM層神經元。模型采用Tanh函數作為激勵函數，再以均方根誤差作為損失函數，將最大迭代次數設定為3 000次。

2.3 時間相關性分析

時間信息因素會影響模型對交通流量的預測結果，本文分別對考慮時間信息、未考慮時間信息兩種情況的道路交通流量開展預測分析，并將預測結果與實測數據進行比較，時間性相關系數結果見

表1。從表1中可以看出，獲得的預測結果與實測數據的皮爾森系數是0.99，而在未考慮時間信息的情況下，皮爾森系數僅為0.90。因此，模型在加入時間信息后可以得到更精確的預測數據。

2.4 實驗結果分析

交通流量容易受到天氣和事件等外部因素的影響，如節假日的交通流量與正常日的交通流量存在顯著差異，天氣也會對交通流量造成顯著影響。利用LSTM網絡進行實驗，分別驗證了考慮與未考慮外部因素對交通流量產生的影響。如表2所示，相較于未考慮外部因素的模型，考慮外部因素的模型MAPE下降了15.26%，而Accuracy提高了0.09，證明了通過提取外部因素可以達到更高預測精度。

為了驗證LSTM網絡對于交通流量特征提取的效果，本文將LSTM網絡和其他模型進行比較，不同模型預測結果如圖2所示。由圖2可知，相較于卷積神經網絡（convolutional neural network，CNN）模型和支持向量回歸（support vector regression，SVR）模型，LSTM網絡模型預測的交通流量與實測數據更接近，表明該模型預測精度較高，其能夠通過LSTM網絡實現時序數據的高精度提取，從而提高預測精度。

不同模型預測性能如表3所示。通過對比分析可知，相較于CNN和SVR模型，LSTM網絡模型的MAPE明顯降低，Accuracy得到了提升，表明本文構建的LSTM網絡模型能夠實現優于其他模型的預測精度。

3 結論

本文開展了基于LSTM網絡的智能交通流量預測分析，取得如下有益結果：

（1）引入外部因素后，LSTM網絡模型的MAPE下降了15.26%，Accuracy提高了0.09，通過提取外部因素可使模型獲得更高的預測精度。

（2）相較于其他模型，LSTM網絡模型能夠通過卷積網絡實現對時序數據的高精度提取，從而提高整體的預測精度。

參考文獻

[1] 汪瑞琪，張纓. 城市軌道交通網絡擁堵易發點的識別及評價[J]. 城市軌道交通研究，2021，24（8）：165-170，175.

[2] 戴慶，林正奎，曲毅，等. 基于活動的早高峰家庭通勤與擁擠收費模型[J]. 系統工程理論與實踐，2021，41（6）：1507-1520.

[3] 陳躍剛，杜興龍. 基于平臺視角軌道交通對路網交通擁堵的影響研究[J]. 鐵道運輸與經濟，2021，43（6）：125-130.

[4] 李桃迎，王婷，張羽琪. 考慮多特征的高速公路交通流預測模型[J]. 交通運輸系統工程與信息，2021，21（3）：101-111.

[5] 段中興，杜婉欣.基于GWO-LSTM模型的隧道車流量預測與照明調節研究[J]. 現代隧道技術，2024，61（3）：157-165.

[6] 莊偉卿，曹勇博.基于改進的時空圖卷積網絡的交通流預測模型研究[J]. 系統科學與數學，2024，44（1）：217-235.

[7] 張召悅，張紅波.基于ARMA-AE-LSTM模型的進場交通流預測方法[J]. 科學技術與工程，2024，24（27）：11919-11927.

[8] 劉思林，廖祝華，符琦，等.多影響因素下的交通流速度預測[J]. 湖南科技大學學報（自然科學版），2024，39（3）：109-115.

[9] 張明慧，史小輝. 城市級智慧停車綜合管理系統的研究與應用[J]. 計算機應用與軟件，2021，38（6）：345-349.

[10] 趙曉娟，李峰.基于Conv1D和LSTM組合模型的多步交通流量預測分析[J]. 微型電腦應用，2023，39（5）：1-3.

[11] 李星，張立. 高速公路改擴建工程中交通擁堵路段改造方案研究[J]. 公路，2021，66（6）：294-297.

[12] 陳躍剛，杜興龍. 軌道交通網絡平臺的網絡外部性對客流的影響研究[J]. 應用科學學報，2021，39（3）：409-418.

[13] 葉寶林，戴本岙，張鳴劍，等.基于圖卷積網絡的交通流預測方法綜述[J]. 南京信息工程大學學報，2024，16（3）：291-310.