Transport Research >

2024 , Vol. 10 >Issue 1: 18 - 27

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2024.01.003

Theory & Method

Short-Term Traffic Flow Prediction Based on SSA-CNN-BiLSTM Combination Model

  • LU Youfu , 1 ,
  • KONG Weilin 2 ,
  • TIAN Yao 1 ,
  • WANG Qingbin 2 ,
  • MOU Zhenhua , 2, *
Expand
  • 1 Shandong Hi-speed Group Co., Ltd., Jinan 250098, China
  • 2 School of Transportation Engineering, Shandong Jianzhu University, Jinan 250101, China

Received date: 2023-09-21

  Online published: 2024-04-22

Fold

Abstract

In order to solve the problem of urban road traffic congestion and provide auxiliary means for decision-making of intelligent transportation systems, a combination model of SSA-CNN-BiLSTM was constructed to predict short-term traffic flow, taking into account the nonlinear and temporal characteristics of short-term traffic flow. Firstly, the original traffic flow data was subjected to outlier cleaning, wavelet threshold denoising, and normalization processing. Secondly, the SSA algorithm was used to iteratively optimize the three hyperparameters of the number of hidden layer units, initial learning rate, and L2 regularization coefficient in the CNN-BiLSTM composite network. Finally, the optimal hyperparameter combination obtained from the search was input into the constructed combination network for training and prediction. The experimental results showed that compared with PSO and GWO algorithm, SSA algorithm had a faster convergence speed and stronger global optimization ability in the process of network hyperparameter optimization. Compared with the three comparison models of CNN-BiLSTM, BiLSTM, and LSTM, the SSA-CNN-BiLSTM combination model showed a reduction of 5.46%, 12.78%, and 20.38% in RMSE, and a decrease of 0.49%, 2.24%, and 3.11% in MAPE respectively at a 5-minute time scale; and under the 15-minute time scale division the RMSE of SSA-CNN-BiLSTM model was decreased by 9.70, 28.42, and 41.18, while the MAPE was decreased by 0.50%, 1.98%, and 2.59%, respectively. Research has shown that the accuracy and stability of the short-term traffic flow prediction model of SSA-CNN-BiLSTM have been improved compared to existing algorithms, and road traffic conditions can be improved by providing more accurate short-term traffic travel information.

Key words： ITS (Intelligent Transportation Systems); traffic flow prediction; CNN (Convolutional Neural Network); urban road; SSA (Sparrow Search Algorithm); BiLSTM (Bidirectional Long Short-Term Memory Neural Network)

Cite this article

LU Youfu , KONG Weilin , TIAN Yao , WANG Qingbin , MOU Zhenhua . Short-Term Traffic Flow Prediction Based on SSA-CNN-BiLSTM Combination Model[J]. Transport Research, 2024 , 10(1) : 18 -27 . DOI: 10.16503/j.cnki.2095-9931.2024.01.003

0 引言

随着城市交通出行需求和私家车保有量的快速增长，城市交通拥堵状况日益严峻。智能交通系统作为对交通系统进行全面检测、控制、管理和优化的综合性平台，对改善交通状况具有重要意义。在智能交通系统中，交通流预测的精准程度对其功能发挥尤为关键[1-2]，因此需构建高精度的短时交通流量预测模型，结合实时检测数据和历史数据对交通状况进行分析和预测，并及时将结果反馈给道路管理部门，实现对道路通行车辆的合理引导与调控。
国内外学者针对交通流量预测方法的研究，总体上可分为参数类模型和非参数类模型两类[3]。参数类模型通常基于传统的数理统计方法构建，主要包括支持向量机回归（Support Vector Regression, SVR）模型、线性回归模型、自回归移动平均模型（Autoregressive Moving Average, ARMA）等。相关研究中，Kumar[4]针对差分自回归移动平均模型的不足，引入了卡尔曼滤波预测法，从而提升了预测效果；王博文等[5]则将ARMA与SVR结合，提出一种残差优化组合预测模型，相较于单一预测模型，其误差有所减小。然而，由于参数模型常对数据间关系作出一定假设，其适用范围较小，在对具有复杂交通流变化特性和非线性关系问题的处理上存在能力局限。非参数类模型在处理复杂数据时，通过训练学习能较好地捕捉和提取交通流数据间的非线性关系，其使用的算法主要包括机器学习和神经网络等。有研究将参数类模型与非参数类模型相结合，如Wang等[6]对SVR中的参数采用贝叶斯网络方法优化，通过在高斯过程中优化获取函数来确定回归模型的参数配置。单一模型在预测时往往无法灵活捕捉数据所有维度的特征，而将不同模型优势结合的组合模型性能更佳。例如，聂铃等[7]根据频率序列分量的特性，分别构建了灰狼优化算法（Gray Wolf Optimization, GWO）与前馈神经（Back Propagation, BP）网络和最小二乘支持向量机（Least Squares Support Vector Machines, LSSVM）的组合模型，通过叠加各分量进行预测，发现各组合模型与序列分解前模型相比均有不同程度的性能提升。
相比人工调节神经网络中超参数的方法，通过优化算法进行迭代搜索找到最佳参数组合的方法虽然节省了时间且模型性能有所提升，但仍存在长时间陷入局部最优、过拟合和收敛速度慢等局限，有待进一步深入研究解决。
鉴于此，为提高短时交通流量预测的准确性，本文构建了以卷积神经网络（Convolutional Neural Network, CNN）和双向长短时记忆神经网络（Bidirectional Long Short-Term Memory Neural Network, BiLSTM）为结构基础，引入麻雀搜索算法（Sparrow Search Algorithm, SSA）对网络参数进行寻优的短时交通流量预测组合模型。通过深入挖掘短时交通流的时序变化规律，并采用SSA算法对网络中的超参数进行优化确定，将最优超参数组合输入网络中进行训练和预测，可为智能交通系统的实际应用提供支撑。

1 模型理论基础

1.1 卷积神经网络（CNN）

CNN为一种使用卷积运算的深层结构前馈网络，在提取数据特征方面表现出色[8]。CNN结构主要由卷积层、池化层和全连接层组成，如图1所示。
图1 CNN结构示意图
卷积层中的卷积核通过对输入的局部区域进行卷积运算以实现特征提取，池化层则对特征进行采样并减少特征向量的维度。存在于池化层和全连接层之间的Dropout层起到防止过拟合的作用。全连接层将搜集到的局部信息进行连接，并映射到输出层以信号形式输出。
设时间序列长度为 n、特征数为 m的输入矩阵为 U = [ u 1 ,     u 2 ,   u 3 ,     ⋯ ,     u n ] T ∈ R n × m，时间序列数据由卷积运算得到[9]：
C i = f ( U ⊗ W i + b )
式（1）中： C i为卷积核映射后特征； W i ∈ R p × m为卷积核的权重向量，其中 p为卷积核尺寸； b为偏移量。
特征矩阵 F = [ C 1 ,   C 2 , … ,   C n ]，池化层在降维处理后，将卷积和池化后的特征输入全连接层。

1.2 双向长短时记忆神经网络（BiLSTM）

长短时记忆神经网络（Long Short-Term Memory, LSTM）改进了循环神经网络（Recurrent Neural Network, RNN）存在的梯度消失或因膨胀而无法长期依赖的缺陷[10⇓-12]，LSTM结构中隐藏层设置了线性自循环储存单元，能提升远距离节点间的信息保留能力。LSTM神经元细胞包括遗忘门、输入门和输出门3个基本门控结构，其单元结构如图2所示。
门控结构的实现如式（2）~式（7）所示[13]：
f t = σ ( W f [ h t - 1 ,   x t ] + b f )
i t = σ ( W i [ h t - 1 ,   x t ] + b i )
c t ' = t a n h ( W c [ h t - 1 ,   x t ] + b c )
c t = f t c t - 1 + i t c t '
o t = σ ( W o [ h t - 1 ,   x t ] + b o )
h t = o t t a n h ( c t )
式（2）~式（7）中： f t表示 t时刻遗忘门状态； h t - 1为 t - 1时刻输出向量； x t为 t时刻输入向量； σ、 t a n h分别为 s i g m o i d、激活函数； W f、 b f分别为遗忘门权重矩阵和偏置； c t为 t时刻神经元过程状态矩阵； c t - 1 为上一时刻的状态矩阵； c t '为 t时刻神经元细胞状态矩阵； i t表示 t时刻输入门状态； W i、 b i分别为输入门权重矩阵和偏置； W c、 b c分别为细胞单元的权重矩阵和偏置； o t表示 t时刻输出门状态； W o、 b o分别为输出门权重矩阵和偏置。
BiLSTM同时包含前向和后向LSTM单元结构，通过共享权重矩阵互相连接和影响，能更好地提取时间序列的双向变化特征，在解决长期依赖问题的同时可避免梯度消失和爆炸。BiLSTM结构如图3所示。
图3 BiLSTM网络结构

1.3 麻雀搜索算法（SSA）

麻雀搜索算法是一种模拟麻雀群觅食行为和躲避天敌行为的新型群智能优化算法，麻雀群的觅食等行为可近似为寻找最优解的过程。麻雀群分为觅食者和加入者两种身份，其中有一定比例感知危险能力强的麻雀被称为警戒者。
在 D维空间内，数量为 N的麻雀群在第 t + 1次觅食迭代过程中，第 i只觅食者在第 j维位置的迭代更新公式为[14]：
x i ,   j t + 1 = x i ,   j t e x p - i α u m a x                 R 2   <   S t x i ,   j t + Q L                                         R 2 ≥ S t
式（8）中： t为当前迭代次数；i为觅食者编号， i ∈ [ 1 ,   N ]；j为空间维度， j ∈ [ 1 ,   D ]； x i ,   j t为第t次迭代后第i个麻雀的j维位置； x i ,   j t + 1为第t+1次迭代后第i个麻雀的j维位置； α和 Q为均匀随机数， α ∈ ( 0 ,   1 ]， Q服从正态分布； u m a x为最大迭代次数； R 2和 S t分别为预警值和警戒阈值，其中 R 2 ∈ [ 0 ,   1 ]， S t = [ 0.5 ,   1 ]； L为元素为1的 1 × d型矩阵。
当 R 2 < S t时，麻雀群处于安全状态，觅食者进行食物搜寻；当 R 2 ≥ S t时，麻雀感知到周围有天敌，警戒者迅速发出警报并移动到安全位置。
加入者追随觅食者搜寻食物，其位置可表示为：
x i ,   j t + 1 = Q e x p X w o r s t - X i , j t i 2                           i > N 2 X P t + 1 + X i ,   j t - X P t + 1 A + L     其 他
式（9）中： X w o r s t为当前全局最差位置； X p为当前觅食者占据的最优位置； A + = A T A A T - 1，其中 A为元素随机赋值为1或-1的 1 × d型矩阵。
适应度较低的加入者会进行位置移动，以寻觅到更多食物，其位置更新可表达为：
x i ,   j t + 1 = X b e s t t + β X i ,   j t - X b e s t t                 f i ≠ f g x i ,   j t + K X w o r s t t - X i ,   j t f i - f w + ε f i     =   f g
式（10）中： X b e s t t为第t次迭代的全局最优位置； X w o r s t t为第t次迭代的全局最差位置； β为步长控制参数，服从 N 0,1分布； K为麻雀移动方向， K ∈ [ - 1 ,   1 ]； f i为第 i只麻雀适应度； f g和 f w分别为当前最优和最差适应度值； ε为非零常数，避免分母为零的情形。

2 SSA-CNN-BiLSTM预测模型的构建

2.1 CNN-BiLSTM组合网络

在构建的短时交通流量预测组合模型中，CNN-BiLSTM网络中的CNN模块采用单层一维卷积层和池化层结构，通过卷积层捕获短时交通流序列之间的相关性和有效非线性局部特征[15]，将特征信息传入池化层进行降维，从而提取更有效的特征，通过全连接层进行转化并输出到BiLSTM网络中。BiLSTM对从CNN接收到的前后双向时间序列特征进行训练和学习，综合考虑局部特征和全局特征进行特征提取，以捕获向量之间的时间特征规律，根据计算得到的网络输出与样本误差值进行反向传播，通过更新BiLSTM节点的权重值逐步优化网络性能，并由全连接层输出最终交通流量预测结果。CNN-BiLSTM预测模型结构如图4所示。
图4 CNN-BiLSTM预测模型结构

2.2 SSA优化的CNN-BiLSTM预测模型

在CNN-BiLSTM模型中，网络结构中的超参数对短时交通流量预测的准确性和模型拟合能力有显著影响，本研究采用局部搜索能力强、收敛性和稳定性较好的SSA算法对CNN-BiLSTM网络中的超参数进行动态迭代寻优，以在处理非线性时间序列时提高网络性能和预测精度。选取模型中的隐藏层单元数、初始学习率和L2正则化系数作为优化超参数进行寻优，以控制模型权重和偏置的更新速度，避免发生梯度爆炸和过拟合现象。预测模型的优化流程如图5所示。
图5 预测模型的优化流程
模型优化具体步骤为：
第一步：确定网络中待优化的超参数的搜索范围，并设定麻雀种群数量、迭代次数、觅食者比例等参数。
第二步：根据均方误差（Mean-Square Error, MSE）计算各麻雀种群适应度值并进行排序。
第三步：根据式（8）~式（10）迭代更新麻雀种群位置和其适应度，记录搜索过程中最佳个体位置和当前全局最优位置。
第四步：满足终止迭代条件时，即得到网络最优超参数；否则回到第三步循环迭代。
第五步：迭代结束后将SSA优化的隐藏层单元数、初始学习率和L2正则化系数最优组合值输入CNN-BiLSTM网络。
将测试集输入到组合网络中经过迭代训练后输出预测值，选取均方根误差（Root-Mean-Square Error, RMSE）、平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）作为模型预测精度的评价指标。两者的计算方法如下：
E R M S E =   1 n '       ∑ i = 1 n '     ( e i   '     - e i ) 2
E M A P E = 100 % n '       ∑ i = 1 n '       e i ' - e i e i  
式（11）~式（12）中：ERMSE为均方根误差值；EMAPE为平均绝对百分比误差值； e i '为预测值； e i为实际值； n '为样本容量。

3 实验与分析

3.1 数据预处理

3.1.1 实验数据

实验选取济南市遥墙机场路与工业北路交叉口为研究对象，交叉口位于高速公路与城市道路结合处，其交通流具有一定的特殊性，车辆速度差异大、车辆类型复杂多样，呈现出峰谷期流量分布极不均衡的特点。收集遥墙机场路与工业北路交叉口交通流量数据，即通过交叉口4个方向进口道的车流量，数据采集时间为2023年2月24日—27日全天24 h，采样时间间隔为5 min，实验数据字段包括时间、车辆类型、车辆行驶信息和交通流量等特征信息。将采集到的短时交通流统计数据划分为5 min和15 min两种时间尺度，以探寻不同周期序列划分下各交通流的变化特征和规律。

3.1.2 异常数据清洗

交通流量数据在采集过程中，常会出现因天气、设备延迟和车辆故障等干扰因素导致的数据错误、丢失或重复以及不合理的统计误差，这会对模型训练的准确度造成严重影响。在进行模型训练和预测前应对这些异常数据进行辨别与修正，主要包括删除原始数据中的车辆重复值、填补缺失的车辆类型、修正统计数据异常值等。
时间序列交通流数据中的异常值通常表现为连续数据间的数值突然升降，背离了原有的趋势，导致波动幅度显著增加。针对这类异常数据，采用均值插补法进行填补和修正，其计算公式为：
Y i = ∑ i = 1 a Y ( i - a ) - ∑ i = 1 b Y ( i + b ) a + b
式（13）中： Y i为异常数据填补值，i是指第i个异常点位； a、 b分别为异常点前、后取值的数量。以5 min间隔时间序列交通流量数据的采集为例，使用上述方法对统计后的原始数据中的异常值进行修正，原始数据与修正后的数据如图6所示。
图6 异常数据修正与对比

3.1.3 小波阈值降噪

原始交通流量数据常因多种不可控外界因素的影响而产生不稳定的波动和噪声，噪声会对信号质量和分析过程造成干扰。为在模型训练过程中能更精准地捕捉到数据间的特征和规律、减少噪声引起的偏差，需在数据清洗后对噪声和干扰进行去除处理。
对含有噪声的一维信号数据作小波变换处理，即根据小波基函数的局部性质将信号分解为多个尺度的小波系数；确定合适的阈值和阈值函数，将超过该阈值的小波系数视为有效信号并将其收缩与保留，将小于该阈值则视为噪声成分进行剔除；最后利用小波反变换方法进行系数重构，恢复降噪后的信号。去噪流程如图7所示。
图7 小波阈值法去噪流程
交通流信号具有周期规律性，同时伴随一定程度的随机性，选取软阈值函数类型作为阈值函数。软阈值函数[16]表达式为：
d j ,   k ¯ = s i g n ( d j ,   k ) ( | d j ,   k | - λ )               d j ,   k ≥ λ 0                                       d j ,   k < λ
式（14）中： d j ,   k和 d j ,   k ¯分别表示去噪前、后小波变换系数；阈值 λ取值与噪声水平估值和信号长度有关。
在去噪过程中，阈值的确定对除噪效果起关键作用。若阈值过高或过低，会造成噪声去除不完全或导致信号失真。而自适应阈值法能基于局部频域信息和小波局部特征自动调整阈值，与固定阈值法相比，更利于保留信号的重要特征，即减小对原信号特征的影响。
根据实验信号的特征选取Daubechies5小波基函数进行4层分解，对数据进行小波阈值降噪。去噪后数据与原始数据对比曲线如图8所示。
图8 数据小波阈值降噪前后对比

3.1.4 归一化处理

为减小数据间部分量纲的影响以及交通流量特征值绝对大小对预测结果的影响，同时提升算法的收敛速度和准确性，采用离差标准化法将不同尺度和范围的数据通过线性转换缩放为[0,1]范围内的无量纲数据，以表示原始数据相对于最大值和最小值的位置，离差标准化计算公式为：
y i = x i - x m i n x m a x - x m i n
式（15）中： y i为归一化处理后的值； x i为去噪后样本数据； x m a x和 x m i n分别为去噪后样本最大值和最小值。

3.2 实验结果与分析

实验训练所使用的服务器环境为：AMD Ryzen 7 5800HS Creator Edition 3.20 GHz，内存16GB，操作系统为64位Windows10，实验通过Matlab R2020b编程软件实现。

3.2.1 模型参数设置

本研究所构建的SSA-CNN-BiLSTM短时交通流量预测模型，在CNN模块一维卷积层和池化层结构中，为更好地捕捉序列局部特征且不导致模型过拟合或造成计算资源浪费，设置卷积步长为1、卷积核的数量和大小分别为64和3，并使用VALID填充方式以减少边缘部分的无效填充，池化层采用最大池化的池化方式，其池化核大小设置为2。BiLSTM层中最小批量大小设置为32，使用Adam优化函数，学习率下降因子设为0.2，dropout比例为0.2，以在提高训练稳定性的同时降低过拟合风险。
SSA算法在对网络中隐藏层单元数、初始学习率和L2正则化系数3个超参数进行优化时，算法中麻雀种群数量设为20、觅食者比例为20％、警戒者比例为15％、最大迭代次数为25，以均方误差作为适应度函数；隐藏层单元数搜索范围设为[10,100]，初始学习率搜索范围设为[0.001,0.01]，L2正则化系数搜索范围设为[0.001,0.1]。
将短时交通流量序列划分为5 min和15 min两种时间尺度，并把处理后的时间序列数据集按照3∶1的比例划分为训练集和测试集，即前3 d的根据不同时间尺度划分的短时交通流量数据将被用于模型参数和权重的训练，最后1 d的数据则用于评估模型的性能和泛化能力。
在模型训练迭代过程中，SSA麻雀搜索优化算法通过迭代搜索实现网络中超参数的动态调整，迭代停止时即得到最佳适应度及最优超参数组合，随后将SSA算法参数优化结果输入CNN-BiLSTM网络进行训练和预测，超参数搜索寻优结果见表1。
表1 超参数优化结果
时间尺度划分 5 min 15 min
隐藏层单元数 32 46
初始学习率 0.014 9 0.024 6
L2正则化系数 0.049 4 0.016 4

3.2.2 算法性能验证

为检验SSA优化算法的性能，将常用的灰狼优化算法（GWO）和粒子群算法（Particle Swarm Optimization, PSO）应用于CNN-BiLSTM网络组合中进行对比和评价，通过控制变量的方法设置算法中的参数，以保证实验结果的可靠性。将GWO、PSO、SSA 3种优化算法中的种群数量设置为20，最大迭代次数设为50，其优化的超参数L2正则化系数、初始学习率和隐藏层单元数搜索范围分别设为[0.001,0.1]、[0.001,0.01]、[10,100]，实验中的输入数据同样经过清洗和去噪处理，网络参数设置与实验中SSA-CNN-BiLSTM模型保持一致。以5 min时间尺度交通流量序列为例，3种优化算法在迭代过程中的适应度函数值变化如图9所示。
图9 3种优化算法迭代变化曲线
由图9可知，SSA、PSO和GWO 3种优化算法分别在迭代11、20和30次后收敛。从收敛值来看，SSA算法收敛后的适应度值最低，GWO算法次之，而PSO算法适应度值最高。PSO和GWO算法在迭代过程中出现长时间适应度值不变的状况，即陷入局部最优。迭代过程表明：与SSA算法相比，GWO和PSO算法在迭代过程中会呈现出长时间陷入某个局部最优的状态，其中GWO算法陷入局部最优的次数最多，其收敛适应度值介于PSO和SSA算法之间；与其他两种算法相比，PSO算法的迭代适应度最差，即算法超参数寻优的能力相对较差；3种算法中SSA算法在优化超参数时的适应度值最低，迭代收敛时间和陷入局部最优的持续时间均更短，这表明SSA算法收敛速度更快，对网络参数的全局寻优能力更强，在网络超参数寻优中该方法有一定优势。

3.2.3 预测结果与对比分析

将SSA算法优化后的超参数结果输入到搭建好的CNN-BiLSTM模型中，对5 min和15 min两种时间尺度划分下的短时交通流量分别进行预测，并将预测值与真实值对比，结果如图10所示。
图10 模型预测值与真实值对比
从图10可看出，经SSA麻雀搜索算法优化的CNN-BiLSTM网络组合模型，在5 min和15 min时间尺度划分下的短时交通流预测表现较为稳定，在高峰期车流量受多种因素影响而导致波动较大时仍能捕捉到短期内流量的变化趋势和规律。与15 min尺度划分相比，模型在预测5 min交通流量序列时的拟合效果更优，这是由于模型在更细粒度的时间划分下可在减小序列产生噪声影响的同时捕捉到更丰富有效的信息，提升网络整体对时间序列中快速变化的灵敏度和响应能力。
为更充分地验证SSA-CNN-BiLSTM组合模型的精度，对预测结果进行定量分析，引入CNN-BiLSTM、BiLSTM和LSTM 3种模型进行预测和对比，分别对其进行网络构建，设置与本实验相同的训练条件和输入参数，采用人工调参的方法对各模型进行调试和优化，预测精度采用ERMSE和EMAPE两个指标评价，结果见表2。
表2 各模型预测性能对比
预测模型 5 min时间尺度 15 min时间尺度
ERMSE EMAPE ERMSE EMAPE
SSA-CNN-BiLSTM 58.18 5.18% 126.27 4.77%
CNN-BiLSTM 63.64 5.67% 135.97 5.27%
BiLSTM 70.96 7.42% 154.69 6.75%
LSTM 78.56 8.29% 167.45 7.36%
由指标评价结果可知，与LSTM网络相比，BiLSTM网络在其原有时间序列特征处理能力的基础上增加了反向识别和感知能力，能洞察到前后数据结构更灵敏的变化，预测指标误差值有所减小。CNN对数据局部特征的提取和捕捉结合BiLSTM网络时序感知能力强的特点，使得CNN-BiLSTM组合模型的预测性能比BiLSTM单一模型有较大提升。与CNN-BiLSTM、BiLSTM和LSTM 3种模型相比，在5 min时间尺度下，SSA-CNN-BiLSTM组合模型的均方根误差ERMSE分别降低了5.46、12.78、20.38，平均绝对百分比误差EMAPE分别降低了0.49%、2.24%、3.11%；在15min时间尺度下，SSA-CNN-BiLSTM组合模型的ERMSE分别降低了9.70、28.42、41.18，EMAPE分别降低了0.50%、1.98%、2.59%。由此可见，相比于耗时长、效率低、易受主观因素影响的人工调节参数法，采用SSA麻雀搜索算法对CNN-BiLSTM网络中的超参数进行迭代寻优，组合模型的全局寻优能力、收敛速度以及预测精度均有所提升。

4 结论

交通流预测是智能交通系统的基础。为提高短时交通流量预测的准确性，本研究结合麻雀搜素算法和神经网络的优势，构建了SSA-CNN-BiLSTM短时交通流量预测组合模型，在搭建CNN-BiLSTM网络的基础上，利用SSA优化算法对组合网络中的超参数进行迭代搜索寻优，并输入网络进行训练和预测。研究结果表明，与常用的GWO和PSO优化算法相比，SSA算法在参数寻优过程中的收敛速度更快、全局寻优能力更强，有效克服了人工调参耗时长且参数选取复杂的局限性。与CNN-BiLSTM、BiLSTM和LSTM三种对比模型相比，在5 min时间尺度划分下，SSA-CNN-BiLSTM组合模型的均方根误差分别降低了5.46、12.78、20.38，平均绝对百分比误差分别降低了0.49%、2.24 %、3.11 %；在15 min时间尺度划分下，均方根误差分别降低了9.70、28.42、41.18，平均绝对百分比误差分别降低了0.50%、1.98%、2.59%，模型预测指标误差值均得到不同程度的降低，表明本研究所提出的组合网络模型预测短时交通流量的误差更小、稳定性更强，可为交通管理、交通控制等提供有效的信息以改善交通拥堵状况，如实现信号配时随时段差异化调整。研究中由于客观条件限制未能考虑到多种外部实际因素的影响，后续可重点考虑如车辆行驶速度、天气状况和空间位置等其他因素对短时交通流量预测的影响，进一步挖掘模型的实际应用价值。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
LI X, LI L F, HUANG B Y, et al. Meta-extreme learning machine for short-term traffic flow forecasting[J]. Applied Sciences, 2022, 12(24): 12670.

[2]
LI W, JI Y, WANG T. Adaptive real-time prediction model for short-term traffic flow uncertainty[J]. Journal of Transportation Engineering, Part A: Systems, 2020, 146(8): 4020075.1-4020075.12.

[3]
赵恒辉, 黄德启, 曾蓉, 等. 基于时空注意力Bi-LSTM模型的短时交通流预测[J]. 计算机仿真, 2022, 39(9):177-181,455.

[4]
KUMAR S V. Traffic flow prediction using kalman filtering technique[J]. Procedia Engineering, 2017, 187(4): 582-587.

[5]
王博文, 王景升, 朱茵, 等. 基于ARMA-SVR的短时交通流量预测模型研究[J]. 公路交通科技, 2021, 38(11):126-133.

[6]
WANG D, WANG C, XIAO J, et al. Bayesian optimization of support vector machine for regression prediction of short-term traffic flow[J]. Intelligent Data Analysis, 2019, 23(2): 481-497.

[7]
聂铃, 张剑, 胡茂政. 基于CEEMDAN分解的短时交通流组合预测[J]. 计算机工程与应用, 2022, 58(11):279-286.

[8]
王雪梅, 陈莹. 基于CNN-LSTM的城市道路平均车速预测方法研究[J]. 青岛理工大学学报, 2023, 44(1):117-126,140.

[9]
李静茹, 姚方. 引入注意力机制的CNN和LSTM复合风电预测模型[J]. 电气自动化, 2022, 44(6):4-6.

[10]
李泽文, 胡让, 刘湘, 等. 基于PCA-DBILSTM的多因素短期负荷预测模型[J]. 电力系统及其自动化学报, 2020, 32(12):32-39.

[11]
张琰妮, 史加荣, 李津, 等. 融合残差与VMD-ELM-LSTM的短期风速预测[J]. 太阳能学报, 2023, 44(9):340-347.

[12]
WEI W Y, WU H H, MA H D. An autoencoder and LSTM-based traffic flow prediction method[J]. Sensors, 2019, 19(13): 2946.

[13]
冷丽英, 付建哲, 宁波. 基于SSA-LSTM模型的IGBT时间序列预测研究[J]. 半导体技术, 2023, 48(1):66-72.

[14]
高晓芝, 郭旺, 郭英军, 等. 基于SSA-VMD-LSTM-NKDE的短期风电功率概率预测[J]. 河北科技大学学报, 2023, 44(4):323-334.

[15]
潘洛华. 基于SSA-CNN-BILSTM的电力短期负荷数据预测方法[D]. 杭州: 浙江大学, 2022.

[16]
邓军. 小波阈值去噪法在矿区地表变形监测数据处理中的应用[J]. 测绘与空间地理信息, 2020, 43(3):31-33.

Options
Outlines

/

〈 〉