準(zhǔn)確的預(yù)測(cè)節(jié)假日期間高速公路交通流量,能夠?yàn)楣?jié)假日高速公路應(yīng)急管理提供重要的數(shù)據(jù)基礎(chǔ)。利用深度學(xué)習(xí)的理論框架建立了LSTM-SVR預(yù)測(cè)模型,利用BP神經(jīng)網(wǎng)絡(luò)對(duì)樣本數(shù)據(jù)進(jìn)行處理,再將LSTM捕獲的數(shù)據(jù)特征輸入SVR回歸層中實(shí)現(xiàn)交通流預(yù)測(cè)。選取"十一"黃金周前后時(shí)段,利用位于麗江市的交調(diào)站流量監(jiān)測(cè)數(shù)據(jù)對(duì)LSTM-SVR模型進(jìn)行驗(yàn)證,并將LSTM-SVR模型與其它模型預(yù)測(cè)效果進(jìn)行對(duì)比。發(fā)現(xiàn)LSTM-SVR模型在節(jié)假日不同時(shí)段、天氣、流量狀態(tài)下的高速公路交通流預(yù)測(cè)中有較好的適用性。 

【文章來(lái)源】：系統(tǒng)仿真學(xué)報(bào). 2020,32(06)北大核心

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

LSTM結(jié)構(gòu)圖Fig.1LSTMstructurediagram

第32卷第6期Vol.32No.62020年6月戢曉峰,等:基于深度學(xué)習(xí)的節(jié)假日高速公路交通流預(yù)測(cè)方法Jun.,2020http:∥www.china-simulation.com1167測(cè)框架，對(duì)節(jié)假日高速公路交通流進(jìn)行預(yù)測(cè)，框架如圖2所示。其中，Epoch表示樣本輪尋次數(shù)，Batchsize為訓(xùn)練樣本的最小批量。圖2節(jié)假日高速公路交通流短時(shí)預(yù)測(cè)框架Fig.2Holidayhighwaytrafficflowshort-termpredictionframework2.1時(shí)間序列預(yù)處理考慮到樣本數(shù)據(jù)間因時(shí)間跨度大、波動(dòng)頻繁，使得初始的樣本數(shù)據(jù)之間的量綱數(shù)量級(jí)差異較大，會(huì)對(duì)網(wǎng)絡(luò)魯棒性和收斂速度產(chǎn)生影響，因而樣本數(shù)據(jù)的預(yù)處理是提高模型精度和訓(xùn)練速度的必要基�？紤]模型需求及數(shù)據(jù)特征，先后采用標(biāo)準(zhǔn)化和歸一化方法對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理，如式(13)所示。將預(yù)處理后的數(shù)據(jù)輸入至已經(jīng)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)中，數(shù)據(jù)序列分布趨勢(shì)平穩(wěn)，波動(dòng)較校若未歸一化處理，在模型構(gòu)建和運(yùn)行過(guò)程中極易出現(xiàn)問(wèn)題，主要體現(xiàn)在學(xué)習(xí)率的大小與收斂速率不易掌控，學(xué)習(xí)率過(guò)大時(shí)，下降速率較慢；反之則會(huì)呈直角形下降，速度過(guò)快。歸一化處理在消除數(shù)據(jù)量綱數(shù)量級(jí)差異同時(shí)，能夠較為完整的保存原始數(shù)據(jù)的信息。"min()max()min()XXXXX(13)2.2時(shí)間序列微調(diào)將歸一化后的數(shù)據(jù)輸入至經(jīng)過(guò)2000次迭代預(yù)訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行時(shí)間序列微調(diào)。輸入數(shù)據(jù)的維度為4，第一層隱含層節(jié)點(diǎn)個(gè)數(shù)256，設(shè)置第二層隱含層節(jié)點(diǎn)數(shù)為4以保證BP網(wǎng)絡(luò)的輸入和輸出數(shù)據(jù)的維度不變。將隱含層的輸出與BP網(wǎng)絡(luò)輸入層進(jìn)行加和實(shí)現(xiàn)殘差直連，避免過(guò)擬合問(wèn)題同時(shí)提高了樣本數(shù)據(jù)與LSTM模型的匹配度。此外，通過(guò)殘差直連后，處理時(shí)間步長(zhǎng)縮短、權(quán)值求導(dǎo)路徑減小，避免了?

降法會(huì)使得訓(xùn)練過(guò)程產(chǎn)生震蕩，且收斂速率較慢。為此，使用動(dòng)量梯度下降法(GradientdescentwithMomentum)對(duì)每個(gè)參數(shù)的學(xué)習(xí)率進(jìn)行調(diào)整，對(duì)每一系列梯度進(jìn)行指數(shù)加權(quán)平均，當(dāng)梯度維持初始方向下降時(shí)，增加下降的幅度，從而使得更快地達(dá)到最優(yōu)值；當(dāng)梯度下降方向發(fā)生改變時(shí)，使用動(dòng)量梯度下降法使變量更加平滑，不僅彌補(bǔ)了網(wǎng)絡(luò)初始值設(shè)置的缺陷，也使網(wǎng)絡(luò)能較快地達(dá)到最優(yōu)值而沒(méi)有太多震蕩。依據(jù)調(diào)整過(guò)后的樣本數(shù)據(jù)特征，采用雙層的LSTM-SVR模型，設(shè)置隱含層節(jié)點(diǎn)數(shù)30，時(shí)間間隔為4，各層輸入輸出維度如圖3所示。圖3交通流時(shí)間序列預(yù)測(cè)模型Fig.3Holidayhighwaytrafficflowshort-termpredictionmodel為防止過(guò)擬合，Dropout層設(shè)定隨機(jī)斷開(kāi)70%的神經(jīng)元，使用“Adagrad”進(jìn)行隨機(jī)優(yōu)化，“tanh”為激活函數(shù)，損失函數(shù)為RMSE。同時(shí)，設(shè)置Batchsize為32、Epoch為238，迭代達(dá)5000次時(shí)學(xué)習(xí)趨近穩(wěn)定，且當(dāng)?shù)螖?shù)繼續(xù)增加時(shí)，模型的訓(xùn)練誤差波動(dòng)較小，趨于穩(wěn)定。訓(xùn)練周期過(guò)長(zhǎng)時(shí)存在模型過(guò)度擬合以及模型計(jì)算效率降低的風(fēng)險(xiǎn)。所以在模型訓(xùn)練過(guò)程中，應(yīng)在兼顧精度與時(shí)效性的要求，確定Batchsize與Epoch的值。最終將LSTM學(xué)習(xí)的特征向量輸入到SVR的回歸層中進(jìn)行預(yù)測(cè)，調(diào)整參數(shù)C=0.1，=0.01。3.3預(yù)測(cè)結(jié)果及誤差分析(1)LSTMs模型在不同條件下的預(yù)測(cè)結(jié)果分析基于上述預(yù)測(cè)流程，選擇實(shí)時(shí)預(yù)測(cè)的2018-09-30，2018-10-01，2018-10-03三日進(jìn)行分析，如圖4所示。實(shí)驗(yàn)發(fā)現(xiàn)，LSTM-SVR模型在不同時(shí)間、天氣、流量的狀態(tài)下均可以實(shí)現(xiàn)較好地?cái)M合交通流的變化趨勢(shì)。尤其當(dāng)流量變化較為平穩(wěn)時(shí)段，平均誤差在21輛/h。在部分時(shí)

【參考文獻(xiàn)】：
期刊論文
[1]基于公路交通流大數(shù)據(jù)的節(jié)假日旅游流時(shí)空分異特征——以云南省2017年7個(gè)節(jié)假日為例[J]. 戢曉峰,戈藝澄,陳方.  旅游學(xué)刊. 2019(06)
[2]基于深度學(xué)習(xí)的交通流量預(yù)測(cè)[J]. 劉明宇,吳建平,王鈺博,何磊.  系統(tǒng)仿真學(xué)報(bào). 2018(11)
[3]考慮貨車因素的高速公路短期交通流風(fēng)險(xiǎn)預(yù)測(cè)[J]. 張?zhí)m芳,趙焜.  同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(02)
[4]基于深度學(xué)習(xí)的短時(shí)交通流預(yù)測(cè)研究[J]. 王祥雪,許倫輝.  交通運(yùn)輸系統(tǒng)工程與信息. 2018(01)
[5]基于CNN-SVR混合深度學(xué)習(xí)模型的短時(shí)交通流預(yù)測(cè)[J]. 羅文慧,董寶田,王澤勝.  交通運(yùn)輸系統(tǒng)工程與信息. 2017(05)
[6]高速路交通流短時(shí)預(yù)測(cè)方法[J]. 許巖巖,翟希,孔慶杰,劉允才.  交通運(yùn)輸工程學(xué)報(bào). 2013(02)
[7]基于OD穩(wěn)定模式的高速公路出口流量預(yù)測(cè)方法研究[J]. 張平,張明欣,宋國(guó)杰,董新品,謝昆青.  交通運(yùn)輸系統(tǒng)工程與信息. 2012(03)



本文編號(hào)：3062823