基于CNN-LSTM-PSO的交通流量预测

佘占峰

摘  要：伴随着经济的发展，城市内交通流量迅速增长，从而导致城市内交通道路拥堵问题日益严峻。为了缓解道路拥堵压力，该文提出了一种基于CNN-LSTM-PSO的深度学习短期交通流预测框架，该框架结合CNN（Convolutional Neural Network，卷积神经网络）和LSTM（Long Short Term Memory Networks，长短期记忆网络），并以PSO（Particle Swarm Optimization，粒子群）算法进行混合网络结构的超参数优化。最后通过对实际交通流数据集的实验验证该方法的有效性。

关键词：交通流  神经网络  流量预测   粒子群

中图分类号：TP183;U491                  文献标识码：A                   文章编号：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

面對交通数据的爆炸式增长，现代交通运输管理正在向数据驱动型的智慧交通过渡，在智能交通系统中，数据来源于各类信息采集、传输设备、传感器、摄像头、GPS、移动手机信号、社交媒体等。这些数据蕴藏着交通系统的内在特征，带来了智慧交通的可行性和可预测性[1]。传统的浅层预测模型无法满足智能交通的精准性需求，因此该文构建基于CNN-LSTM-PSO深层模型的预测架构对交通流量的进行高效预测。神经网络算法中CNN（Convolutional Neural Networks，卷积神经网络）[2-3]和LSTM（Long Short Term Memory networks，长短期记忆网络）[4]。利用CNN与LSTM分别提取交通流的空间、时间特征，从而进行短期和长期预测[5-6]。为了进一步提高预测精度，该文采用PSO优化CNN-LSTM，提出一种CNN-LSTM-PSO算法，并应用于交通拥堵预测。

1  CNN-LSTM-PSO的交通流量预测模型

CNN-LSTM混合网络结构由一维CNN、LSTM和特征融合层构成。CNN层负责捕捉交通流数据的局部趋势和特征，LSTM层负责学习交通流数据的短时变化特征和长期依赖周期特征，特征融合层将不同的时空特征融合于基于特征的融合层中，最终以这些时空特征作为输入，在回归层进行预测

图1显示了使用基于CNN-LSTM-PSO模型预测交通流量的总体架构，CNN-LSTM-PSO模型中，CNN-LSTM学习预处理的输入数据，从CNN的卷积层和汇集层中提取多元时间序列变量的空间性质，LSTM层利用传输的空间特征对非规则时间信息进行建模，融合层进行特征融合。利用粒子群优化算法对构成CNN-LSTM的超参数进行优化，对CNN核的数目、LSTM的隐藏单元和由CNN-LSTM组成的完全连接层的单元数目进行编码。粒子群优化算法在移动编码粒子的同时找到最优的超参数结构。最后，应用CNN-LSTM-PSO方法可以产生预测的交通流量。

2  仿真实验与结果分析

该章节仿真实验在64位Windows 7环境下，使用Python，采用深度学习框架Keras。实验所使用的数据集为本地某街区为期一周的路网交通数据。数据包含21万条车辆记录。为了验证PSO优化CNN-LSTM网络结构的有效性，将最大迭代次数设为300次。

图2是在交通数据集以CNN-LSTM-PSO和CNN-LSTM训练后得到的短时交通量预测曲线。该文所提出的CNN-LSTM-PSO与实测曲线的拟合程度更高，代表其交通量预测更为准确，由此可以验证PSO优化后的混合网络结构在交通量预测中能够获得误差更小的预测结果。

3  结语

为了提高道路通行效率，该文在分析现有的交通流量预测模型的基础上，提出了一种基于CNN-LSTM-PSO的深度学习短期交通流预测方法。该方法利用了时空相关性，以获取交通流数据的局部趋势和长期相关性之间的相关特征。利用实际的交通流数据集进行试验仿真，验证了该方法的有效性。

参考文献

[1] 戴晨.高速公路智能交通诱导系统研究[J].科技资讯，2018，16（24）：37-39.

[2] 黎旭成.基于卷积神经网络和长短期记忆模型的交通状态预测[C]//品质交通与协同共治——2019年中国城市交通规划年会论文集.北京：中国建筑工业出版社，2019：2873-2884.

[3] 原建洋，葛阳，蒋晓梅.基于深度多尺度卷积神经网络的剩余使用寿命预测模型[J].科技创新导报， 2020，17（15）：243-244.

[4] 赵庶旭，张宝花.基于LSTM-RF模型的城市道路交通流预测[J].测试科学与仪器，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.