基于深度学习的城市流量预测

王梦园 翟希 王斌

摘  要： 就所述的长短期记忆（LSTM）模型和DeepST-ResNet模型进行了研究分析，并基于西安滴滴出行的真实数据对相关模型进行对比实验，分析了各个模型的优劣，提出了建立更优模型的思路与展望.

关键词： 交通管理; 滴滴出行; 时空数据; 神经网络; 流量预测

中圖分类号：  TP 399      文献标志码： A      文章编号： 1000-5137（2021）01-0122-06

Abstract： In this paper the long-term and short-term memory （LSTM） model and the DeepST-ResNet model were both studied and analyzed. Based on the real data of Xian Didi travel，the above models were compared and tested to analyze the advantages and disadvantages of each model according to which a better model was proposed and the preliminary work and preparation was conducted.

Key words： traffic management; Didi travel; spatiotemporal data; neural network; traffic forecast

0  引言

交通预测已经成为了智能交通系统（ITS）中的一个核心环节，交通预测问题也开始受到诸多城市计算学者的高度关注.目前交通预测问题主要分为路段流量预测和区域流量预测两大部分.其中在路段流量预测问题中，学者们主要就高速公路或者城市主干道的交通路况进行调查检测[1-2]，进而预测某些具体路段的交通流量;区域流量预测是研究整个城市不同区域间的交通量流动.

影响交通流量预测的两个重要因素分别是时间和空间，比如手机、出租车导航、地铁/公交车刷卡等数据，都具有时间依赖性和空间相关性.但是在早期，学者们的研究大多采用一些经典的时间序列预测模型，例如自回归滑动平均（ARMA）、差分整合移动平均自回归（ARIMA），以及基于此提出的季节性差分自回归滑动平均（SARIMA）等模型，但这些模型无法描述空间因素对城市流量预测的影响.

传统的机器学习法，例如支持向量回归模型（SVR）[3]，可以通过寻求结构化风险的最小化，提高学习机泛化能力，在交通流量样本数较少的情况下，达到统计规律的目的.但是SVR的预测结果极易受到……