基于改进LSTM算法的短时交通流量预测

刘 铭, 鱼 昕

(长春工业大学 数学与统计学院, 长春 130012)

0 引 言

及时准确的短时交通预测是智能交通系统中交通诱导、 事故检测、 交通分配的前提, 常见的短时交通流量预测方法可以简略分为以下3种: ①基于线性模型的方法。线性模型主要包括: 历史平均模型(historical average, HA)、 卡尔曼滤波模型(Kalman filtering, KF)及求和自回归滑动平均模型(autoreg ressive integrated moving average, ARIMA)。如Emami等将卡尔曼滤波模型应用到短时交通流量预测中[1], Kumar等使用季节性ARIMA模型进行交通流量预测[2], 并且取得了不错的预测结果。但从总体的预测结果来分析, 这类预测方法的大多数理论基础都是线性估计模型, 抗外界干扰能力差, 当交通流变化的随机性和非线性增强后, 模型的预测性能逐渐变差， 并且上述线性模型大多只考虑了交通流本身的规律, 没有考虑其他的因素(例如天气因素)。②基于非线性模型方法。非线性模型主要包括: 非参数回归预测模型、 神经网络预测模型以及支持向量回归预测模型等。如Carl等使用人工神经网络对短时交通流量进行了预测[3], Clark使用非线性回归模型预测短时交通流量[4], 欧阳俊等提出基于多核混合支持向量机(support vector machine, SVM)的预测方法[5]。从预测效果来看, 基于短时交通流非线性的特点, 相比线性方法, 非线性方法理论上更加适用, 它不需要线性方法的模型辨识和参数估计过程, 而是通过对历史数据进行学习推演。但是这种方法也有弊端, 一是由于只是根据历史数据训练, 从数据本身寻找演化规律, 没有涉及交通流的机理; 二是为了能够保证学习的效果和预测精度, 必须有大量的数据作支撑, 数据量越大运算量也越大, 并且这类方法数学计算较为困难。……