基于PSO-LSTM的短時交通流量預測網站設計

王寧 成利敏 甄景濤 段曉霞

【摘? ?要】? ?短時交通流量預測是智能交通系統中的重要環節，選用在短時交通流量預測方面表現出色的LSTM神經網絡，并利用PSO算法優化LSTM神經網絡模型。實驗結果表明，與傳統LSTM模型相比，所構建的PSO-LSTM模型對未來5分鐘和10分鐘兩種短時交通流量預測，達到了更高的準確率。在此基礎上，設計了一個交通流量預測網站更好地展示了預測結果，也方便用戶隨時查詢。

【關鍵詞】? ?智能交通系統；短時交通流量預測；LSTM神經網絡；PSO算法；交通流量預測網站

Design of a Short Term Traffic Flow Prediction Website Based on PS0-LSTM

Wang Ning， Cheng Limin， Zhen Jingtao， Duan Xiaoxia

（Langfang Normal University， Langfang 065000， China）

【Abstract】? ? Short term traffic flow prediction is an important part of intelligent transportation systems. This article selects the LSTM neural network that performs well in short-term traffic flow prediction， and uses the PSO algorithm to optimize the LSTM neural network model. Experiments have shown that the PSO-LSTM model constructed in this paper achieves higher accuracy in predicting short-term traffic flow for the next 5 minutes and the next 10 minutes compared with traditional LSTM models. On this basis， in order to better display the prediction results and facilitate users to query at any time， the author specifically designed a city traffic flow prediction website， which has certain practical application value.

【Key words】? ? ?intelligent transportation system; short term traffic flow prediction; LSTM neural network; PSO algorithm; traffic flow prediction website

〔中圖分類號〕? TP311.1? ? ? ? ? ? ? ? ?〔文獻標識碼〕? A ? ? ? ? ? ? ?〔文章編號〕 1674 - 3229（2024）01- 0029 - 04

0? ? ?引言

隨著我國智能交通系統的飛速發展，道路交通流量預測作為其重要組成部分，受到廣泛關注［1］。交通流量預測分為長時預測與短時預測，長時預測可以選擇以小時、天、月或者年為時間單位；短時預測一般預測時間不超過15分鐘［2］。準確的交通流量預測一方面可以幫助出行者更好地制定出行方案，盡量避開擁堵；另一方面對于交通管理、道路規劃等也具有重要意義。

筆者曾設計了一個城市交通流量預測網站，通過該網站可查詢以小時為時間單位的交通流量預測結果［3］。在此基礎上，本文針對短時交通流量預測方法展開研究，并將短時預測結果也添加到該網站，使網站功能更加全面，更具有實際應用意義。

近年，基于人工神經網絡的短時交通流量預測方法成為研究熱點，在眾多神經網絡中，長短期記憶（Long Short-Term Memory， LSTM）網絡展現出優勢。LSTM是循環神經網絡（Recurrent Neural Network， RNN）的改進方法，克服了RNN梯度消失或爆炸的缺點，能有效捕捉時間序列數據中復雜的依賴關系，挖掘前后數據間的聯系。經多位學者研究證實，LSTM神經網絡適用于短時交通流量預測［4-5］。

為更好地解決傳統LSTM模型在超參數選擇方面的局限性，提出通過PSO算法優化LSTM模型，在數據預測方面取得了不錯的效果［6-7］。因此本文將PSO-LSTM模型應用于短時交通流量預測，實驗結果表明，與傳統LSTM對比，PSO-LSTM方法具有更高的準確率。

1? ? ?LSTM神經網絡

LSTM神經網絡是一種引入記憶單元（Memory Cell， C）和門控機制的特殊循環神經網絡，其單元結構如圖1所示［8］。

[tanh][tanh]

圖1? ?LSTM神經網絡單元結構圖

圖1中包含三種“門”結構，分別為遺忘門（Forget Gate， ft）、輸入門（Input Gate， it）、輸出門（Output Gate， ot），其表達式分別為：

[ft=σ（Wf[ht-1，xt]+bf）]? ? ? ? ? ? ? ? ? ? ? ? ? ?（1）

[it=σ（Wi[ht-1，xt]+bi）]? ? ? ? ? ? ? ? ? ? ? ? ? （2）

[ot=σ（Wo[ht-1，xt]+bo）]? ? ? ? ? ? ? ? ? ? ? ? ? ?（3）

上式中[σ]表示Sigmoid激活函數，Wf、Wi、Wo和bf、bi、bo分別代表三種“門”的權重矩陣和偏置向量，xt和ht-1則表示當前時刻的輸入和前一時刻隱藏層狀態。由此可得當前時刻的單元狀態Ct為公式（4）所示，式中Wc和bc為對應權重矩陣和偏置向量，Ct-1為前一時刻的單元狀態，tanh為雙曲正切激活函數。

[Ct=ftCt-1+ittanh（Wc[ht-1，xt]+bc）]? ? ? ? ? ? ? ? （4）

因此當前時刻輸出ht為：

[ht=ot×tanh（Ct）]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （5）

綜上所述，LSTM采用“門控”思想對信息實現選擇性記憶，完成了信息的有效篩選，能夠高效捕捉到序列中的依賴關系，在短時交通流量預測方面表現優異。

2? ? ?PSO算法

粒子群算法（Particle Swarm Optimization， PSO）也稱為粒子群優化算法或鳥群覓食算法，該算法是受到鳥群捕食規律的啟發，利用群體中個體間的協調合作和信息共享來尋找最優解，PSO算法具體實現步驟如圖2所示［9］。

[pbest][gbest]

圖2? ?PSO算法流程圖

首先初始化粒子群，每一個粒子表示求解問題的一個可能解，關注其適應度、速度、位置三個指標，通過多次迭代尋求最優結果。每一次迭代時，粒子速度和位置的更新是依據兩個“最優解”，即個體最優解pbest和群體最優解gbest，具體公式如下［10］：

[vk+1i=vki+c1r1（pbestki-xki）+c2r2（gbestk-xki）]? ? ? ? （6）

[xk+1i=xki+vk+1i]? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（7）

上式中[vk+1i]和[vki]為粒子i在第k+1次和第k次迭代時的速度；[xk+1i]和[xki]為粒子i在第k+1次和第k次迭代時的位置；c1和 c2為加速因子，其中c1代表粒子奔向個體最優位置的加速權重，c2代表粒子奔向群體最優位置的加速權重；r1和 r2是［0，1］區間內的隨機數。本文利用PSO算法對LSTM模型中兩個LSTM層的神經元個數進行尋優，參數設置為粒子群個數為8，最大迭代次數為8，加速因子c1= c2=1.5。

3? ? ?基于PSO-LSTM的短時交通流量預測

3.1? ?預測模型

本文利用PSO算法優化LSTM神經網絡模型，構建PSO-LSTM短時交通流量預測模型，利用前N個時間單元的已知交通流量數據來預測第N+1個時間單元的交通流量，實驗時選擇N=12，時間單元分為5分鐘、10分鐘。

所搭建的PSO-LSTM短時交通流量預測模型如圖3所示。首先數據預處理階段要對數據進行歸一化處理，對應的最終輸出預測結果需要進行反歸一化處理。之后構建的LSTM模型包含兩層LSTM結構，為避免過擬合，每個LSTM層后都有Dropout層，Dropout比率設置為0.1。最后Dense層設置神經元個數為1，是因為最終輸出為預測的第N+1個時間單元的交通流量。

圖3? ?搭建的PSO-LSTM神經網絡預測模型圖

兩個LSTM層中神經元個數neurons1和neurons2的取值對模型性能起到至關重要的作用，所以設置neurons1和neurons2為待優化超參數，利用PSO算法得到兩個最優超參數，由此構建PSO-LSTM短時交通流量預測模型。

3.2? ?預測結果分析

為驗證本文方法的準確性，選擇了智能交通領域廣泛使用的公開數據庫Caltrans PeMS（California Department of Transportation Performance Measurement System），在PeMS系統上可下載美國加利福尼亞州多年的真實交通數據。本文實驗數據為PeMS系統識別號為403349 的干線檢測站從2023年3月15日至30日，共16天的交通流量數據，采集時間間隔為5分鐘，共4608個交通流量數據。

時間單元為5分鐘時，訓練集為2023年3月22日至28日，共2016個交通流量數據，測試集為29日，共288個數據。測試集實驗結果如圖4所示，實線代表真實值，虛線為預測值。橫軸為時間，表示29日01：00：00至23：59：59共276個5分鐘，縱軸表示交通流量。如圖4可見，兩條曲線走勢基本一致，證明本文方法準確度較高。

圖4? ?預測值與真實值對比曲線圖（時間單元為5分鐘）

利用下載的時間間隔為5分鐘的交通流量數據生成時間間隔為10分鐘的數據，因此時間單元為10分鐘時，訓練集為2023年3月15日至28日，共2016個數據，測試集為29日和30日，共288個數據。針對該測試集實驗結果如圖5所示，橫軸表示29日02：00：00至30日23：59：59共276個10分鐘。如圖5可見，預測值與真實值相差不大，整體走勢基本相符，再次證明本文方法的準確度。

圖5? ?預測值與真實值對比曲線圖（時間單元為10分鐘）

將本文構建的PSO-LSTM模型與傳統LSTM模型對比，計算平均絕對誤差（Mean Absolute Error， MAE）和均方根誤差（Root Mean Square Error， RMSE）兩種評價指標，實驗結果見表1。表1分別展示了時間單元為5分鐘和10分鐘兩種情況下的實驗結果，可見PSO-LSTM所得RMSE和MAE的值都小于傳統LSTM模型所得RMSE和MAE值，兩種情況下，PSO-LSTM模型均表現更好。

表1? ?兩種模型實驗結果對比

[模型 5分鐘 10分鐘 RMSE MAE RMSE MAE LSTM 22.49 17.33 43.66 32.34 PSO-LSTM 20.94 16.15 41.01 30.01 ]

4? ? ? 基于PSO-LSTM的短時交通流量預測網站設計

筆者之前設計的城市交通流量網站針對長時交通流量預測，只能查詢以小時為單位的預測交通流量，結合本文的短時預測結果，在網站上增加了未來5分鐘和10分鐘的短時交通流量查詢功能。由于網站截圖較寬，為保證圖像清晰展示，故分為左右兩部分，分別如圖6和圖7所示。網站上最左側三個下拉菜單分別為：選擇所要查詢的路段、對于長時交通流量預測選擇要查詢的日期、對于短時交通流量預測選擇查詢未來5分鐘或10分鐘的交通流量。長時交通流量預測結果是以中間藍色柱狀圖的形式呈現，短時交通流量預測結果則顯示在最右側高德地圖中對應監測點位置。

圖6? ?城市交通流量預測網站截圖（左半部分）

圖7? ?城市交通流量預測網站截圖（右半部分）

城市交通流量預測網站的設計及應用是智能交通系統發展的重要環節，但目前真正投入使用的城市交通流量預測網站很少，本文設計的交通流量預測網站適用于不同城市，圖中示例的模擬道路監測點的位置和數量也可以根據具體城市道路情況而設定。該網站實現了長時和短時交通流量預測，既可以增加普通用戶出行規劃的合理性，一定程度上緩解交通擁堵，也可以作為道路建設和交通管理的參考依據。

5? ? ?結語

本文利用PSO算法對LSTM神經網絡模型中兩個LSTM層的神經元個數進行尋優，從而構建了PSO-LSTM短時交通流量預測模型，基于PeMS系統提供的真實交通流量數據展開實驗，結果證明了本文方法的準確性。在此基礎上，設計了多尺度城市交通流量預測網站，用戶在該網站既可以查詢以小時為單位的長時交通流量預測結果，也可以查詢未來5分鐘和10分鐘的短時交通流量預測結果，具有實際使用價值。在接下來的研究中，將繼續嘗試更合適的交通流量預測模型，進一步完善網站功能，以更好地滿足實際需求。

［參考文獻］

［1］ 郭敏，肖翔，藍金輝.道路交通流短時預測方法綜述［J］.自動化技術與應用，2009，28（6）：8-9+16.

［2］ 賀億洋，殷鋒，袁平.智能交通系統中短時交通流預測模型的研究［J］.現代計算機，2020（16）：8- 11.

［3］ 王寧，成利敏，甄景濤，等.基于GRU神經網絡的城市交通流量預測網站設計［J］.廊坊師范學院學報（自然科學版），2023，23（3）：10-14.

［4］ 宋予佳，張健，邢珺.基于長短期記憶網絡構建短時車流預測模型［J］.公路，2019，64（7）：224-229.

［5］ 吳曉龍. 基于長短時記憶神經網絡的短時交通流預測及應用［D］.重慶：重慶郵電大學，2020.

［6］ 唐曉靈，劉嘉敏.基于PSO-LSTM網絡模型的建筑碳排放峰值預測［J］.科技管理研究，2023，43（1）：191-198.

［7］ 趙明偉. 改進粒子群算法優化LSTM神經網絡的地鐵短時客流預測［D］.石家莊：石家莊鐵道大學，2021.

［8］ 張騰達，李琦，陳波.基于LSTM的熱力站短期熱負荷預測研究［J］.計算機仿真，2022，39（9）：507-512.

［9］ 周晨蓉. 基于PSO-LSTM的城市道路卡口交通流預測模型［D］.西安：長安大學，2022.

［10］ 張國赟，金輝.基于改進PSO-LSTM模型的城市軌道交通站點客流預測［J］.計算機應用與軟件，2021，38（12）：110-114+134.