0 引言

交通運(yùn)輸是一個(gè)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(yùn)輸系統(tǒng)、服務(wù)、成本、基礎(chǔ)設(shè)施、車輛和控制系統(tǒng)的特征和性能通常是在定量評價(jià)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(shí)的情況下做出的，有些目標(biāo)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(fù)雜或定義不清的問題時(shí)被發(fā)現(xiàn)是無效的。此外，硬計(jì)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(yùn)輸系統(tǒng)的軟計(jì)算應(yīng)用進(jìn)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(jì)算方法建模和分析交通運(yùn)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(fù)雜問題。軟計(jì)算可以用來彌補(bǔ)交通運(yùn)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(gè)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(shè)施的設(shè)計(jì)和建設(shè)。本課題所研究的交通流預(yù)測屬于第一個(gè)研究領(lǐng)域。自20世紀(jì)90年代以來，軟計(jì)算界一直在研究、攻克這個(gè)領(lǐng)域的相關(guān)問題。其中，Pamula等人[2]基于神經(jīng)網(wǎng)絡(luò)在城市交通管理系統(tǒng)中的應(yīng)用，提出了一種基于神經(jīng)網(wǎng)絡(luò)的交通流量預(yù)測方法。Bucur等人[3]建議使用自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)[4-9]進(jìn)行交通預(yù)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(xiàn)[10]構(gòu)建了實(shí)時(shí)交通流量模型，構(gòu)建模型時(shí)將自回歸滑動(dòng)平均模型與支持向量回歸模型進(jìn)行結(jié)合，克服了預(yù)測過程中的非線性問題。文獻(xiàn)[11]為了解決模型在預(yù)測過程中會(huì)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(luò)的交通流量預(yù)測模型的參數(shù)進(jìn)行了優(yōu)化。文獻(xiàn)[12]構(gòu)建了季節(jié)性差分自回歸滑動(dòng)平均模型和BP的組合模型，并以實(shí)測數(shù)據(jù)對構(gòu)建的交通流量預(yù)測模型進(jìn)行了驗(yàn)證。文獻(xiàn)[13]對城市交通流量預(yù)測時(shí)，對其進(jìn)行了短時(shí)流量預(yù)測，并取得了較好的預(yù)測效果。文獻(xiàn)[14]采用灰色極限學(xué)習(xí)機(jī)模型，實(shí)現(xiàn)了短時(shí)交通流量預(yù)測模型的構(gòu)建，并驗(yàn)證了所提模型的有效性。以上研究均使用神經(jīng)網(wǎng)絡(luò)模型來進(jìn)行交通流量預(yù)測，未能很好地應(yīng)對交通流量強(qiáng)隨機(jī)性對于預(yù)測結(jié)果的影響。鑒于此，本文研究了強(qiáng)隨機(jī)性對交通流量預(yù)測結(jié)果的影響，提出了更高預(yù)測精度的城市交通流量預(yù)測模型。首先，基于雙向長短時(shí)記憶(Bi-directional Long Short-Term Memory，Bi-LSTM)算法，建立了交通流量短期預(yù)測模型；其次，為了進(jìn)一步提升Bi-LSTM的交通流量短期預(yù)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(jìn)行尋優(yōu)，確定預(yù)測模型的最優(yōu)超參數(shù)組合，有效提升預(yù)測模型的泛化性，實(shí)現(xiàn)交通流量的精準(zhǔn)預(yù)測。

本文詳細(xì)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)