基于深度残差长短记忆网络交通流量预测算法

刘世泽，秦艳君，王晨星，苏 琳，柯其学，罗海勇，孙 艺，王宝会

（1.北京航空航天大学软件学院，北京 100191；2.北京邮电大学计算机学院，北京 100876；3.首都师范大学信息工程学院，北京 100048；4.中国科学院计算技术研究所，北京 100190）

（∗通信作者电子邮箱hbliusz@126.com）

0 引言

近年来，随着城市化的不断发展，城市交通拥堵问题日益严重。对交通流量进行准确预测，有助于优化城市交通资源规划和调度，缓解交通压力。交通流量数据具有规模大、维数高和随时间动态变化等特性，且容易受到外部复杂、多样和动态因素影响，实现长期和准确的交通流量预测具有很大的挑战性。

传统交通流量预测方法大多使用数学建模或仿真方法描述交通流量时间序列数据的变化规律，例如统计模型、传统机器学习模型、差分整合移动平均自回归（Autoregressive Integrated Moving Average，ARIMA）模型［1］、向量机回归模型［2］和马尔可夫随机场［3］等，这些方法要求数据平稳且持续，并不能很好地预测复杂动态变化的交通流量。传统机器学习方法存在过于依赖特征工程提取、先验知识等问题，对于维度高、时空相关性复杂的交通流量预测往往难以给出准确的预测性能。

深度学习方法可以在无需大量先验知识的情况下表示和自主学习交通流量数据特征。卷积神经网络（CNN）［4-7］和递归神经网络（Recurrent Neural Network，RNN）［8-10］对时空数据具有较好的处理能力。文献［11-12］基于卷积神经网络提出了一种时空残差网络（Spatio-Temporal Residual Network，STResNet）模型，该模型对交通流量数据的三种特性——时间特性、空间特性和外部特性进行建模。……