0 引言

交通運輸是一個廣泛的以人為本的領(lǐng)域，有各種各樣的、具有挑戰(zhàn)性的問題有待解決。運輸系統(tǒng)、服務、成本、基礎(chǔ)設施、車輛和控制系統(tǒng)的特征和性能通常是在定量評價其主要作用的基礎(chǔ)上定義的。大多數(shù)交通決策都是在不精確、不確定和不完全真實的情況下做出的，有些目標和約束通常難以用清晰的值來衡量。傳統(tǒng)的分析技術(shù)在處理變量之間的依賴關(guān)系過于復雜或定義不清的問題時被發(fā)現(xiàn)是無效的。此外，硬計算模型不能有效地處理交通流量的不確定性。為了解決以上問題，在過去的十年中，人們對交通和運輸系統(tǒng)的軟計算應用進行了研究，并且在此領(lǐng)域取得了一些重要成果[1]。

使用軟計算方法建模和分析交通運輸系統(tǒng)不僅可以處理定量或定性的問題，還可以有效地解決涉及不精確和不確定性的復雜問題。軟計算可以用來彌補交通運輸研究中規(guī)范決策模型和描述性決策模型之間的差距。交通問題可以分為四個主要領(lǐng)域：交通控制和管理、交通規(guī)劃和管理、物流、交通設施的設計和建設。本課題所研究的交通流預測屬于第一個研究領(lǐng)域。自20世紀90年代以來，軟計算界一直在研究、攻克這個領(lǐng)域的相關(guān)問題。其中，Pamula等人[2]基于神經(jīng)網(wǎng)絡在城市交通管理系統(tǒng)中的應用，提出了一種基于神經(jīng)網(wǎng)絡的交通流量預測方法。Bucur等人[3]建議使用自適應模糊神經(jīng)網(wǎng)絡[4-9]進行交通預測，提出一種可以跟蹤由于天氣條件、季節(jié)或其他因素造成的概率分布漂移的架構(gòu)。文獻[10]構(gòu)建了實時交通流量模型，構(gòu)建模型時將自回歸滑動平均模型與支持向量回歸模型進行結(jié)合，克服了預測過程中的非線性問題。文獻[11]為了解決模型在預測過程中會陷入局部最優(yōu)問題，采用蟻群算法對基于BP神經(jīng)網(wǎng)絡的交通流量預測模型的參數(shù)進行了優(yōu)化。文獻[12]構(gòu)建了季節(jié)性差分自回歸滑動平均模型和BP的組合模型，并以實測數(shù)據(jù)對構(gòu)建的交通流量預測模型進行了驗證。文獻[13]對城市交通流量預測時，對其進行了短時流量預測，并取得了較好的預測效果。文獻[14]采用灰色極限學習機模型，實現(xiàn)了短時交通流量預測模型的構(gòu)建，并驗證了所提模型的有效性。以上研究均使用神經(jīng)網(wǎng)絡模型來進行交通流量預測，未能很好地應對交通流量強隨機性對于預測結(jié)果的影響。鑒于此，本文研究了強隨機性對交通流量預測結(jié)果的影響，提出了更高預測精度的城市交通流量預測模型。首先，基于雙向長短時記憶(Bi-directional Long Short-Term Memory，Bi-LSTM)算法，建立了交通流量短期預測模型；其次，為了進一步提升Bi-LSTM的交通流量短期預測模型性能，采用粒子群優(yōu)化算法(Particle Swarm Optimization，PSO)對Bi-LSTM模型的超參數(shù)進行尋優(yōu)，確定預測模型的最優(yōu)超參數(shù)組合，有效提升預測模型的泛化性，實現(xiàn)交通流量的精準預測。

本文詳細內(nèi)容請下載：http://ihrv.cn/resource/share/2000004861

作者信息：

樊  沖

(錦州市大數(shù)據(jù)中心，遼寧 錦州121000)