摘要：準(zhǔn)確、有效的交通流預(yù)測(cè)為智能交通系統(tǒng)提供數(shù)據(jù)基礎(chǔ)，是實(shí)現(xiàn)道路交通狀況預(yù)測(cè)和交通管控的重要技術(shù)之一。本文提出一種基于時(shí)空特性的經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）和長短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)相結(jié)合的交通流預(yù)測(cè)模型。首先，對(duì)交通流序列進(jìn)行EMD分解得到具有不同時(shí)間尺度的本征模態(tài)分量，然后，結(jié)合空間特性采用LSTM神經(jīng)網(wǎng)絡(luò)對(duì)交通流進(jìn)行預(yù)測(cè)。通過仿真實(shí)驗(yàn)可得：與傳統(tǒng)的LSTM神經(jīng)網(wǎng)絡(luò)相比，基于時(shí)空特性的EMD-LSTM預(yù)測(cè)模型的均方根誤差分別減少了3.81;平均絕對(duì)誤差分別減少了2.29。

關(guān)鍵詞：短時(shí)交通流預(yù)測(cè);經(jīng)驗(yàn)?zāi)B(tài)分解;時(shí)空特性;長短期記憶單元

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）18-0012-03

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

隨著人工智能技術(shù)的發(fā)展，新一代智能交通系統(tǒng)提出了更加自主高效、安全智能的道路交通管理體系，短時(shí)交通流的預(yù)測(cè)就是其重要的研究方向之一[1]。準(zhǔn)確、有效的道路短時(shí)交通流預(yù)測(cè)不僅能為新一代智能交通系統(tǒng)提供數(shù)據(jù)基礎(chǔ)，還能夠幫助人們規(guī)劃出行路線，緩解交通壓力帶來的道路擁堵等問題。目前，國內(nèi)外學(xué)者對(duì)于短時(shí)交通流預(yù)測(cè)的研究主要分為四種預(yù)測(cè)模型，即基于統(tǒng)計(jì)分析的預(yù)測(cè)模型、非線性理論模型、智能預(yù)測(cè)模型和混合預(yù)測(cè)模型[2]。

第一類，基于統(tǒng)計(jì)分析的預(yù)測(cè)模型主要包括時(shí)間序列法、卡爾曼濾波分析法等。S.Vasantha Kumar和Lelitha Vanajakshi[3]提出一種改進(jìn)的自回歸積分移動(dòng)平均模型（Auto-Regressive In-tegrated Moving Average，ARIMA）根據(jù)不同季節(jié)的數(shù)據(jù)差異進(jìn)行交通流預(yù)測(cè)，但是單一的ARIMA方法在處理非線性交通流數(shù)據(jù)時(shí)具有局限性。柳立春等學(xué)者[4]提出的卡爾曼濾波模型應(yīng)用于交通流預(yù)測(cè)取得了顯著效果，但缺點(diǎn)是只適用于實(shí)時(shí)數(shù)據(jù)預(yù)測(cè)。

第二類，非線性理論模型主要依據(jù)交通流數(shù)據(jù)非線性的特點(diǎn)進(jìn)行預(yù)測(cè)研究，常用的非線性理論模型有混沌理論模型等。Attoor Sanju Nair等學(xué)者啪驗(yàn)證了交通參數(shù)的混沌特性，將混沌理論引入了交通流預(yù)測(cè)的模型中。廖榮華、蘭時(shí)勇、劉正熙等學(xué)者[6]通過改進(jìn)混沌時(shí)間序列局域法，分析預(yù)測(cè)了北京市的交通數(shù)據(jù)，最終驗(yàn)證了改進(jìn)后的方法預(yù)測(cè)更加準(zhǔn)確。

第三類，智能預(yù)測(cè)模型主要利用機(jī)器學(xué)習(xí)算法對(duì)道路交通流量進(jìn)行預(yù)測(cè)。Osama Mohammed和Jalil Kianfar[7]通過比較深度神經(jīng)網(wǎng)絡(luò)、分布式隨機(jī)森林、梯度提升機(jī)、廣義線性模型四種算法對(duì)短時(shí)交通流的預(yù)測(cè)效果，得出深度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)效果更佳。晏臻，于重重，韓璐等[8]提出基于時(shí)空特性的CNN-LSTM模型預(yù)測(cè)交通流，CNN（Convolutional Neural Network.CNN）挖掘數(shù)據(jù)的空間相關(guān)性，LSTM挖掘數(shù)據(jù)的時(shí)序特性，驗(yàn)證了考慮時(shí)空特性方法的有效性。

本文提出一種基于時(shí)空特性的經(jīng)驗(yàn)?zāi)B(tài)分解和長短期記憶神經(jīng)網(wǎng)絡(luò)結(jié)合的混合模型對(duì)交通流進(jìn)行預(yù)測(cè)，并驗(yàn)證其預(yù)測(cè)效果。

1 基本原理

1.1 經(jīng)驗(yàn)?zāi)B(tài)分解

經(jīng)驗(yàn)?zāi)B(tài)分解（ Empuical Mode Decomposition，EMD）[9]是一種自適應(yīng)的數(shù)據(jù)挖掘、時(shí)頻信號(hào)處理方法。該方法的主要思想是根據(jù)被分解信號(hào)自身的時(shí)間尺度特性進(jìn)行信號(hào)分解和處理，最終將原始信號(hào)分解成若干個(gè)本征模函數(shù)（Intrinsic ModeFunction，IMF）和一個(gè)具有信號(hào)平均趨勢(shì)的殘余項(xiàng)。因此，理論上EMD算法適用于任何信號(hào)的分解，尤其在分解和處理非線性、非平穩(wěn)的信號(hào)時(shí)，比傳統(tǒng)的小波分解和傅里葉分解表現(xiàn)出明顯的優(yōu)勢(shì)。EMD算法的具體實(shí)現(xiàn)步驟如下：

（1）找到原始信號(hào)序列x（t）所有的局部極大值點(diǎn)和極小值點(diǎn)。根據(jù)三次樣條插值方法將所有的極大值點(diǎn)擬合成上包絡(luò)線U（t），所有的極小值點(diǎn)擬合成下包絡(luò)線/（t），并計(jì)算出上、下包絡(luò)線的平均值，用m，，表示：

m11=1/2[U（f）+L（f）]

（1）

將原始信號(hào)與均值包絡(luò)相減得到第一步分解的新信號(hào)，并用h11表示：

h1=x（t）一m1（t）（2）

（2）若h11（t）滿足平均包絡(luò)值為零、并且極值和零值的數(shù)量相差0或1，則h11（t）為一級(jí)IMF分量。否則，對(duì)h11（t）重復(fù)進(jìn)行第（1）步運(yùn)算，直至第k次分解之后的信號(hào)h1k （t）滿足成為IMF分量的條件。一級(jí)IMF分量可以記作c1（t）

1.2 LSTM神經(jīng)網(wǎng)絡(luò)

長短期記憶（ Long Shofi-Term Memory，LSTM）結(jié)構(gòu)在原有的輸入門和輸出門的基礎(chǔ)上增加了遺忘門以后，使LSTM能很好地解決“梯度消失”和“梯度爆炸”[10]問題。LSTM不僅對(duì)輸人數(shù)據(jù)具有記憶性，而且學(xué)習(xí)當(dāng)前網(wǎng)絡(luò)結(jié)構(gòu)的權(quán)重，對(duì)于長時(shí)間序列的處理具有較大的優(yōu)勢(shì)，被廣泛應(yīng)用于自然語言處理、。

如圖1所示，是一個(gè)LSTM網(wǎng)絡(luò)的展開結(jié)構(gòu)。由于LSTM結(jié)構(gòu)具有“記憶”，當(dāng)前t時(shí)刻的單元狀態(tài)ct由t時(shí)刻的輸入xt和t一1時(shí)刻的單元狀態(tài)ct-1共同決定。ht是t時(shí)刻的隱藏層輸出。LSTM結(jié)構(gòu)由多個(gè)“記憶模塊”（memory cell）組成，每個(gè)cell包含三個(gè)門：輸入門、遺忘門和輸出門。遺忘門：這部分是決定從cell中遺棄哪部分信息。該門會(huì)讀取ht-1，和xt，使用sigmoid函數(shù)輸出一個(gè)在0到1之間的數(shù)值給每個(gè)在cell的上一時(shí)刻狀態(tài)ct-1。其中1表示“完全保留”，0表示“完全舍棄”。輸入門：這部分決定輸入多少信息加入cell中來。實(shí)現(xiàn)這部分需要兩步：第一步，“input gate layer”的sigmoid函數(shù)決定哪些信息需要更新;用tanh函數(shù)生成一個(gè)更新的內(nèi)容c，。第二步，對(duì)cell的狀態(tài)進(jìn)行更新，將ct-1更新為ct。舊的單元狀態(tài)與ft相乘，再和i*ct相加，構(gòu)成新的候選值。候選值隨著每個(gè)狀態(tài)的更新程度而變化。輸出門：這部分運(yùn)用一個(gè)sigmoid函數(shù)來決定cell中被輸出的信息。然后，把單元狀態(tài)通過tanh進(jìn)行處理，得到一個(gè)在一1到1之間的值，再乘以sigmoid的輸出，決定最終輸出的那部分信息。公式7-12反映了“記憶模塊”內(nèi)部的算法流程。

1.3 基于時(shí)空特性的短時(shí)交通流預(yù)測(cè)模型

結(jié)合EMD算法對(duì)非線性、非平穩(wěn)時(shí)序信號(hào)分解處理的優(yōu)勢(shì)和LSTM神經(jīng)網(wǎng)絡(luò)對(duì)長時(shí)間序列學(xué)習(xí)和預(yù)測(cè)的優(yōu)勢(shì)，提出了基于時(shí)空相關(guān)性的EMD-LSTM模型對(duì)交通流數(shù)據(jù)進(jìn)行預(yù)測(cè)。該算法既體現(xiàn)了單個(gè)檢測(cè)點(diǎn)交通流數(shù)據(jù)在時(shí)序上受自身歷史數(shù)據(jù)特性影響的時(shí)間相關(guān)性，又體現(xiàn)了不同檢測(cè)點(diǎn)之間交通流數(shù)據(jù)在空間上受道路上下游地理位置影響的空間相關(guān)性。

基于時(shí)空特性的EMD-LSTM算法原理如圖2所示，該算法先對(duì)多個(gè)檢測(cè)器的原始信號(hào)分別進(jìn)行EMD方法分解，將不同檢測(cè)器的同一級(jí)IMF分量組合成新向量，該組合向量同時(shí)具有時(shí)間尺度和空間特性。將組合向量輸入到LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練，通過調(diào)整參數(shù)得出最佳訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)。然后對(duì)每一個(gè)組合向量進(jìn)行預(yù)測(cè)，最終得到某一未來時(shí)間段內(nèi)不同檢測(cè)器同一級(jí)IMF分量的預(yù)測(cè)結(jié)果。再分別將同一檢測(cè)器的每級(jí)IMF分量相加，即可得到所有檢測(cè)器未來時(shí)間段內(nèi)的交通流預(yù)測(cè)結(jié)果。

2 仿真實(shí)驗(yàn)

2.1 數(shù)據(jù)來源

本文以美國加利福尼亞運(yùn)輸部的性能測(cè)量系統(tǒng)（ Caltrans-Performance Measurement System，PeMs）數(shù)據(jù)庫的交通流作為數(shù)據(jù)來源。選取2018年6月1日到2018年6月30日標(biāo)號(hào)為110-E的高速公路上9個(gè)連續(xù)檢測(cè)器（編號(hào)依次為VDS717367、VDS717369、VDS717373、VDS717376、VDS717379、VDS717381、VDS717383、VDS717387、VDS718130）的交通流量數(shù)據(jù)作為交通流預(yù)測(cè)研究的數(shù)據(jù)集。抽樣時(shí)間間隔為5min，共約77，760條連續(xù)性數(shù)。對(duì)30天的數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)，取前18天的交通流數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，中間6天的交通流數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)，后面6天的數(shù)據(jù)作為測(cè)試數(shù)據(jù)。

2.2 實(shí)驗(yàn)環(huán)境

仿真實(shí)驗(yàn)使用的軟硬件平臺(tái)如下表所示：

2.3 算法評(píng)價(jià)指標(biāo)

為了客觀比較不同算法的準(zhǔn)確性，本文采用均方根誤差（ Root Mean Squared Error.RMSE）和平均絕對(duì)誤差（Mean Abso-lute Error.MAE）兩個(gè)指標(biāo)來評(píng)價(jià)算法預(yù)測(cè)性能的優(yōu)劣。兩者數(shù)值越小說明預(yù)測(cè)誤差越小，算法的準(zhǔn)確性越高。

3 結(jié)果分析

LSTM神經(jīng)網(wǎng)絡(luò)對(duì)第5個(gè)檢測(cè)器（編號(hào)：VDS717379）的交通流數(shù)據(jù)進(jìn)行預(yù)測(cè)：網(wǎng)絡(luò)層數(shù)為1，隱含層的單元數(shù)為100，輸出層的單元數(shù)為l，三維輸入，對(duì)交通流的三個(gè)參數(shù)同時(shí)進(jìn)行預(yù)測(cè)，初始學(xué)習(xí)速率為0.001，激活函數(shù)為relu、線性函數(shù)為linear，優(yōu)化算法為Adam，迭代次數(shù)為200。

經(jīng)過仿真實(shí)驗(yàn)得到LSTM算法誤差性能指標(biāo)值分別為：RMSE=21.568，MAE=15.678。交通流數(shù)據(jù)預(yù)測(cè)值與真實(shí)值的對(duì)比效果圖如圖3所示，圖中預(yù)測(cè)值曲線與實(shí)際值曲線的擬合效果較差，部分預(yù)測(cè)值比實(shí)際值偏大，局部極值點(diǎn)的預(yù)測(cè)偏差較大。

EMD分解得到8個(gè)IMF分量，所以，時(shí)空EMD-LSTM模型需要8個(gè)單層神經(jīng)網(wǎng)絡(luò);隱含層單元個(gè)數(shù)分別為[70，100，60，200，50，30，30，70]，L2正則化方法的系數(shù)大小分別為[0.0001，0.00001，0.0，0.0，0.0，0.0001，0.0001，0.0001]，輸出層的單元數(shù)為1，初始學(xué)習(xí)速率為0.001，激活函數(shù)為relu、線性函數(shù)為linear，優(yōu)化算法為Adam，迭代次數(shù)為200。為了提高訓(xùn)練效率，設(shè)置了提前停止。經(jīng)過仿真實(shí)驗(yàn)得到基于時(shí)空特性的EMD-LSTM模型預(yù)測(cè)9個(gè)檢測(cè)器數(shù)據(jù)的誤差指標(biāo)如表2所示：

其中第5個(gè)檢測(cè)器（編號(hào)：VDS717379）的誤差指標(biāo)為：RMSE=17.758.MAE=13.388，比LSTM算法分別減小了3.81和2.29。交通流數(shù)據(jù)預(yù)測(cè)值與真實(shí)值的對(duì)比效果圖如圖4所示。與圖3相比，圖4中預(yù)測(cè)曲線與實(shí)際曲線的擬合效果明顯得到了改善，局部極值點(diǎn)處的擬合效果更好，部分波動(dòng)劇烈極值點(diǎn)的預(yù)測(cè)效果更好。

綜上所述，基于時(shí)空特性的EMD-LSTM模型能同時(shí)預(yù)測(cè)多個(gè)檢測(cè)器的交通流數(shù)據(jù)，并且預(yù)測(cè)效果優(yōu)于傳統(tǒng)的LSTM算法。

4 結(jié)束語

本文提出的基于時(shí)空特性的EMD-LSTM組合模型對(duì)短時(shí)交通流具有良好的預(yù)測(cè)效果。與傳統(tǒng)的LSTM算法相比，誤差性能指標(biāo)RMSE減少了3.81，MAE減少了2.29;并且該模型能同時(shí)預(yù)測(cè)多個(gè)檢測(cè)器的交通流數(shù)據(jù)。

參考文獻(xiàn)：

[1] Javed M A，Zeadally S，Hamida E B.Data analytics for coopera-tive intelligent transport systems[J].Vehicular Communications.2019.15：63-72.

[2]趙宏.翟冬梅，石朝輝.短時(shí)交通流預(yù)測(cè)模型綜述[J].都市快軌交通，2019，32（4）：50-54.

[3] Kumar S V，Vanajakshi L.Short-term traffic flow prediction us-ing seasonal ARIMA model with limited input data[J].Europe-an Transport Research Review. 2015，7（3）：21.

[4]柳立春.基于卡爾曼濾波的長江武漢大橋段交通流預(yù)報(bào)[D].大連：大連海事大學(xué)，2018.

[5] Nair A S，Liu J C，Rilett L.et aI.Non-linear analysis of trafficflow[C]//ITSC.lEEE Intelligent Transportation Systems.Proceed-ings （Cat. No. OITH8585）， Oakland. CA. USA. IEEE. 2001：681-685.

[6]廖榮華，蘭時(shí)勇，劉正熙.基于混沌時(shí)間序列局域法的短時(shí)交通流預(yù)測(cè)[J].計(jì)算機(jī)技術(shù)與發(fā)展，2015，25（1）：1-5.

[7] Mohammed O.Kianfar J.A machine learning approach to short-term traffic flow prediction：a case study of interstate 64 in Mis-souri[C]//2018 IEEE International Smart Cities Conference（lSC2），September 16-19. 2018. Kansas City， MO， USA. lEEE，2018： 1-25。

[8]晏臻，于重重，韓璐，等.基于CNN+LSTM的短時(shí)交通流量預(yù)測(cè)方法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2019，40（9）：2620-2624，2659.

[9]關(guān)瑩瑩.基于深度學(xué)習(xí)的ITS短時(shí)交通流量預(yù)測(cè)算法研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2019.

[10]楊祎玥，伏潛，萬定生.基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)模型[J].計(jì)算機(jī)技術(shù)與發(fā)展，2017，27（3）：35-38，43.

【通聯(lián)編輯：光文玲】

基金項(xiàng)目：河北省高等學(xué)校科學(xué)技術(shù)研究重點(diǎn)項(xiàng)目（ No.ZD2019010）

作者簡介：高小婷（1992-），女，碩士研究生，主要研究方向?yàn)橹悄苄畔⑻幚怼?/p>