1.問題的提出

現(xiàn)有的交通流預測研究大多為常態(tài)下的預測，而未考慮天氣、節(jié)假日等外部因素的影響。

2.交通流預測相關(guān)工作

（1）傳統(tǒng)的短時交通流研究方法：
卡爾曼濾波模型、歷史平均模型、時間序列模型、非參數(shù)回歸模型、混沌理論模型等。
缺點： 交通流受多種外部因素的影響，交通流數(shù)據(jù)具有隨機性和不確定性，傳統(tǒng)的模型普遍存在實時性差、預測精度不高的問題。

（2）組合模型的預測：
將兩種模型的優(yōu)點結(jié)合起來提高短時交通流的預測準確率。
a.卷積神經(jīng)網(wǎng)絡+支持回歸分類器：提高了準確率
但是未充分考慮外部因素對交通流預測的影響

b. 混沌理論+模擬退火算法：優(yōu)化了相關(guān)向量機的核心參數(shù)
但是沒有考慮交通流數(shù)據(jù)的隨機性

c. 通過異常值識別擴展了卡爾曼濾波，使其能對噪聲進行識別和過濾，但其對交通流特征挖掘不充分

（3）LSTM的加入
LSTM在特征提取上具有強大的魯棒性和靈活性，不僅能提取交通流的時序特征，還能將隨機外部因素納入考慮
深度雙向長短時記憶網(wǎng)絡模型：在時空特征提取上具有獨特的優(yōu)勢，卻忽略了相鄰路段交通流的影響
LSTM+注意力機制：提高了交通流預測精度，但考慮因素單一

本文結(jié)合天氣、節(jié)假日等因素對交通流特征進行分析，選擇長短時記憶網(wǎng)絡（LSTM）并引入注意力機制對短時交通流進行預測

3.相關(guān)理論

（1）循環(huán)神經(jīng)網(wǎng)絡（RNN）
RNN可以隨著時間的變化動態(tài)的調(diào)整自身的網(wǎng)絡狀態(tài)不斷進行循環(huán)傳遞，并且還可以接受廣泛的序列信息作為輸入。
但是RNN會隨著循環(huán)神經(jīng)網(wǎng)絡模型的規(guī)模的增大，對序列數(shù)據(jù)的記憶能力會下降，當序列信號在神經(jīng)網(wǎng)絡經(jīng)過多次傳遞后，會使網(wǎng)絡喪失鏈接先前信息的能力，從而引起梯度消失或者梯度爆炸。

為了保存長期序列信息，減少隨著時間傳播而衰減的信息，于是LSTM誕生了。

（2）長短時記憶網(wǎng)絡（LSTM）
LSTM引入門控機制來控制信息傳遞的路徑，門的作用是允許LSTM的記憶單元存儲和訪問序列信息，從而減少梯度消失問題。有輸入門、遺忘門和輸出門。
輸入門：如果輸入門保持關(guān)閉（即激活函數(shù)接近0），則新的輸入不會進入網(wǎng)絡，網(wǎng)絡中的記憶單元會一直保持開始的激活狀態(tài)。通過對輸入門的開關(guān)控制，可以控制循環(huán)神經(jīng)網(wǎng)絡模型什么時候接受新的數(shù)據(jù)、什么時候拒絕新的數(shù)據(jù)接入，于是梯度信息就隨時間的傳遞而被保留下來了。
遺忘門：用于控制記憶單元是否記住或丟棄之前的狀態(tài)
輸出門：決定記憶單元中哪些信息允許被輸出

（3）注意力機制
通過模擬人腦注意力的特點，以概率分布的思想捕捉關(guān)鍵信息，注意力機制能夠?qū)Ｗ⒂诰植啃畔?#xff0c;對一些不必要的信息忽略不計。
在交通流預測中，考慮到交通流量會受到天氣、節(jié)假日等各種外部因素的影響，這些外部因素對預測時間交通流量的影響程度不同，因此本文引入注意力機制層來自動捕獲不同輸入特征，以概率分布的思想對重要的信息分布足夠的權(quán)重，以此來提升交通流的預測精度。

4.本文模型

融合多因素的短時交通里預測模型

（1）交通流特性

a.周期性：具有一定的規(guī)律，周一到周五期間，有明顯的上下班高峰，相較于周六周日交通流波動較大，周六、周日的交通狀態(tài)則較為平緩。
b.時空特性：當前t時刻的交通流不僅受前一段時間交通流量的影響，還受當前時刻不同路段交通流量的影響。
c.受天氣的影響：天氣因素影響著人們的出行率，暴雨、暴雪、沙塵暴等惡劣天氣期間，道路情況不確定，路面由于惡劣天氣造成結(jié)冰、能見度低等，這時交通流量會驟減；中雨、中雪的情況下，會影響一部分交通流量；小雨、小雪對交通流量的影響較小。本文根據(jù)天氣情況將天氣狀態(tài)量化如下：

d.節(jié)假日期間，交通流數(shù)據(jù)具有明顯的波動。本文將節(jié)假日狀態(tài)量化如下：

（2）數(shù)據(jù)集的構(gòu)造

將采集到的原始數(shù)據(jù)（交通流數(shù)據(jù)和天氣數(shù)據(jù)）進行預處理，包括數(shù)據(jù)缺失值的補全、去噪和標準化。將預處理后的數(shù)據(jù)構(gòu)造數(shù)據(jù)集，作為訓練模型的輸入，模型的參數(shù)設置如表1所示。

式中，w表示不同天氣狀態(tài)下的數(shù)據(jù)，1表示嚴重，2表示重度，3表示輕度，4表示無影響，h表示是否為節(jié)假日，0表示工作日，1表示節(jié)假日

（3）交通流數(shù)據(jù)空間特征的提取

X（ts）表示第s個監(jiān)測點在t時刻的交通流量，將原始一維的交通流數(shù)據(jù)轉(zhuǎn)化為二維的交通流量矩陣記為F，則有
那么S個監(jiān)測點T個時刻的交通流量輸入矩陣為：

利用卷積神經(jīng)網(wǎng)絡（CNN）根據(jù)歷史數(shù)據(jù)提取交通流的空間特性，本文采用2層的交通卷積網(wǎng)絡，使用卷積層來提取交通流數(shù)據(jù)的局部特征，為了保留交通流原始數(shù)據(jù)的真實性，本文僅用CNN的卷積層對數(shù)據(jù)進行特征提取，不用池化層壓縮數(shù)據(jù)，卷積核的大小設置為3

（4）結(jié)合注意力機制的短時交通流預測

（Attention-based CNN-LSTM，CLA）

CLA有四層結(jié)構(gòu)。
第一層：利用卷積神經(jīng)網(wǎng)絡（CNN）提取交通流的空間特性
第二層：利用長短時記憶網(wǎng)絡（LSTM）提取交通流的時間特性
第三層：將提取到的時空特性結(jié)合外部因素引入注意力機制
第四層：綜合交通流量的特征分析，使用全連接層進行預測

5.實驗結(jié)果與分析

（1）數(shù)據(jù)集：
交通流數(shù)據(jù)：采用加拿大Whitemud Drive 高速公路開放數(shù)據(jù)進行實力分析
天氣數(shù)據(jù)：本文選取的數(shù)據(jù)來源于埃德蒙頓城市氣象觀測中心，數(shù)據(jù)記錄了每日氣溫、天氣狀況、降雨量、降雪量、風速等
（2）評價指標：
采取均方根誤差（RMSE）
平均絕對誤差（MAE）
平均絕對百分比誤差（MAPE）
當預測值與真實值完全吻合時，RMSE、MAE、MAPE的值為0，稱之為完美模型，值越大，則表示預測值與真實值的誤差越大。
（3）實驗結(jié)果：

變體模型預測結(jié)果對比分析
選取了未引入注意力機制的CLA-ATTN模型及 未引入多因素的CLA-MFACTOR模型進行對比

結(jié)論

本文使用公開數(shù)據(jù)集，融合多種外部因素并引入注意力機制，對每個影響交通流量潛在因素或特征的重要程度進行區(qū)分，并與傳統(tǒng)及變體模型的預測結(jié)果進行對比，發(fā)現(xiàn)本文所提出的模型與傳統(tǒng)模型相比具有比較好的預測效果。

展望

雖然本文所提出的模型提高了預測準確率，但模型在引入注意力機制分配權(quán)重時，需要計算每一個輸入特征的權(quán)重，會消耗大量的計算資源，未來的研究工作應進一步考慮這些因素以提高交通流的預測效率。

總結(jié)

以上是生活随笔為你收集整理的论文阅读2--《融合多因素的短时交通流预测研究》的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。