1.問題的提出

現有的交通流預測研究大多為常態下的預測，而未考慮天氣、節假日等外部因素的影響。

2.交通流預測相關工作

（1）傳統的短時交通流研究方法：
卡爾曼濾波模型、歷史平均模型、時間序列模型、非參數回歸模型、混沌理論模型等。
缺點： 交通流受多種外部因素的影響，交通流數據具有隨機性和不確定性，傳統的模型普遍存在實時性差、預測精度不高的問題。

（2）組合模型的預測：
將兩種模型的優點結合起來提高短時交通流的預測準確率。
a.卷積神經網絡+支持回歸分類器：提高了準確率
但是未充分考慮外部因素對交通流預測的影響

b. 混沌理論+模擬退火算法：優化了相關向量機的核心參數
但是沒有考慮交通流數據的隨機性

c. 通過異常值識別擴展了卡爾曼濾波，使其能對噪聲進行識別和過濾，但其對交通流特征挖掘不充分

（3）LSTM的加入
LSTM在特征提取上具有強大的魯棒性和靈活性，不僅能提取交通流的時序特征，還能將隨機外部因素納入考慮
深度雙向長短時記憶網絡模型：在時空特征提取上具有獨特的優勢，卻忽略了相鄰路段交通流的影響
LSTM+注意力機制：提高了交通流預測精度，但考慮因素單一

本文結合天氣、節假日等因素對交通流特征進行分析，選擇長短時記憶網絡（LSTM）并引入注意力機制對短時交通流進行預測

3.相關理論

（1）循環神經網絡（RNN）
RNN可以隨著時間的變化動態的調整自身的網絡狀態不斷進行循環傳遞，并且還可以接受廣泛的序列信息作為輸入。
但是RNN會隨著循環神經網絡模型的規模的增大，對序列數據的記憶能力會下降，當序列信號在神經網絡經過多次傳遞后，會使網絡喪失鏈接先前信息的能力，從而引起梯度消失或者梯度爆炸。

為了保存長期序列信息，減少隨著時間傳播而衰減的信息，于是LSTM誕生了。

（2）長短時記憶網絡（LSTM）
LSTM引入門控機制來控制信息傳遞的路徑，門的作用是允許LSTM的記憶單元存儲和訪問序列信息，從而減少梯度消失問題。有輸入門、遺忘門和輸出門。
輸入門：如果輸入門保持關閉（即激活函數接近0），則新的輸入不會進入網絡，網絡中的記憶單元會一直保持開始的激活狀態。通過對輸入門的開關控制，可以控制循環神經網絡模型什么時候接受新的數據、什么時候拒絕新的數據接入，于是梯度信息就隨時間的傳遞而被保留下來了。
遺忘門：用于控制記憶單元是否記住或丟棄之前的狀態
輸出門：決定記憶單元中哪些信息允許被輸出

（3）注意力機制
通過模擬人腦注意力的特點，以概率分布的思想捕捉關鍵信息，注意力機制能夠專注于局部信息，對一些不必要的信息忽略不計。
在交通流預測中，考慮到交通流量會受到天氣、節假日等各種外部因素的影響，這些外部因素對預測時間交通流量的影響程度不同，因此本文引入注意力機制層來自動捕獲不同輸入特征，以概率分布的思想對重要的信息分布足夠的權重，以此來提升交通流的預測精度。

4.本文模型

融合多因素的短時交通里預測模型

（1）交通流特性

a.周期性：具有一定的規律，周一到周五期間，有明顯的上下班高峰，相較于周六周日交通流波動較大，周六、周日的交通狀態則較為平緩。
b.時空特性：當前t時刻的交通流不僅受前一段時間交通流量的影響，還受當前時刻不同路段交通流量的影響。
c.受天氣的影響：天氣因素影響著人們的出行率，暴雨、暴雪、沙塵暴等惡劣天氣期間，道路情況不確定，路面由于惡劣天氣造成結冰、能見度低等，這時交通流量會驟減；中雨、中雪的情況下，會影響一部分交通流量；小雨、小雪對交通流量的影響較小。本文根據天氣情況將天氣狀態量化如下：

d.節假日期間，交通流數據具有明顯的波動。本文將節假日狀態量化如下：

（2）數據集的構造

將采集到的原始數據（交通流數據和天氣數據）進行預處理，包括數據缺失值的補全、去噪和標準化。將預處理后的數據構造數據集，作為訓練模型的輸入，模型的參數設置如表1所示。

式中，w表示不同天氣狀態下的數據，1表示嚴重，2表示重度，3表示輕度，4表示無影響，h表示是否為節假日，0表示工作日，1表示節假日

（3）交通流數據空間特征的提取

X（ts）表示第s個監測點在t時刻的交通流量，將原始一維的交通流數據轉化為二維的交通流量矩陣記為F，則有
那么S個監測點T個時刻的交通流量輸入矩陣為：

利用卷積神經網絡（CNN）根據歷史數據提取交通流的空間特性，本文采用2層的交通卷積網絡，使用卷積層來提取交通流數據的局部特征，為了保留交通流原始數據的真實性，本文僅用CNN的卷積層對數據進行特征提取，不用池化層壓縮數據，卷積核的大小設置為3

（4）結合注意力機制的短時交通流預測

（Attention-based CNN-LSTM，CLA）

CLA有四層結構。
第一層：利用卷積神經網絡（CNN）提取交通流的空間特性
第二層：利用長短時記憶網絡（LSTM）提取交通流的時間特性
第三層：將提取到的時空特性結合外部因素引入注意力機制
第四層：綜合交通流量的特征分析，使用全連接層進行預測

5.實驗結果與分析

（1）數據集：
交通流數據：采用加拿大Whitemud Drive 高速公路開放數據進行實力分析
天氣數據：本文選取的數據來源于埃德蒙頓城市氣象觀測中心，數據記錄了每日氣溫、天氣狀況、降雨量、降雪量、風速等
（2）評價指標：
采取均方根誤差（RMSE）
平均絕對誤差（MAE）
平均絕對百分比誤差（MAPE）
當預測值與真實值完全吻合時，RMSE、MAE、MAPE的值為0，稱之為完美模型，值越大，則表示預測值與真實值的誤差越大。
（3）實驗結果：

變體模型預測結果對比分析
選取了未引入注意力機制的CLA-ATTN模型及 未引入多因素的CLA-MFACTOR模型進行對比

結論

本文使用公開數據集，融合多種外部因素并引入注意力機制，對每個影響交通流量潛在因素或特征的重要程度進行區分，并與傳統及變體模型的預測結果進行對比，發現本文所提出的模型與傳統模型相比具有比較好的預測效果。

展望

雖然本文所提出的模型提高了預測準確率，但模型在引入注意力機制分配權重時，需要計算每一個輸入特征的權重，會消耗大量的計算資源，未來的研究工作應進一步考慮這些因素以提高交通流的預測效率。

總結

以上是生活随笔為你收集整理的论文阅读2--《融合多因素的短时交通流预测研究》的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。