0 引言

交通运输是一个广泛的以人为本的领域，有各种各样的、具有挑战性的问题有待解决。运输系统、服务、成本、基础设施、车辆和控制系统的特征和性能通常是在定量评价其主要作用的基础上定义的。大多数交通决策都是在不精确、不确定和不完全真实的情况下做出的，有些目标和约束通常难以用清晰的值来衡量。传统的分析技术在处理变量之间的依赖关系过于复杂或定义不清的问题时被发现是无效的。此外，硬计算模型不能有效地处理交通流量的不确定性。为了解决以上问题，在过去的十年中，人们对交通和运输系统的软计算应用进行了研究，并且在此领域取得了一些重要成果[1]。

使用软计算方法建模和分析交通运输系统不仅可以处理定量或定性的问题，还可以有效地解决涉及不精确和不确定性的复杂问题。软计算可以用来弥补交通运输研究中规范决策模型和描述性决策模型之间的差距。交通问题可以分为四个主要领域：交通控制和管理、交通规划和管理、物流、交通设施的设计和建设。本课题所研究的交通流预测属于第一个研究领域。自20世纪90年代以来，软计算界一直在研究、攻克这个领域的相关问题。其中，Pamula等人[2]基于神经网络在城市交通管理系统中的应用，提出了一种基于神经网络的交通流量预测方法。Bucur等人[3]建议使用自适应模糊神经网络[4-9]进行交通预测，提出一种可以跟踪由于天气条件、季节或其他因素造成的概率分布漂移的架构。文献[10]构建了实时交通流量模型，构建模型时将自回归滑动平均模型与支持向量回归模型进行结合，克服了预测过程中的非线性问题。文献[11]为了解决模型在预测过程中会陷入局部最优问题，采用蚁群算法对基于BP神经网络的交通流量预测模型的参数进行了优化。文献[12]构建了季节性差分自回归滑动平均模型和BP的组合模型，并以实测数据对构建的交通流量预测模型进行了验证。文献[13]对城市交通流量预测时，对其进行了短时流量预测，并取得了较好的预测效果。文献[14]采用灰色极限学习机模型，实现了短时交通流量预测模型的构建，并验证了所提模型的有效性。以上研究均使用神经网络模型来进行交通流量预测，未能很好地应对交通流量强随机性对于预测结果的影响。鉴于此，本文研究了强随机性对交通流量预测结果的影响，提出了更高预测精度的城市交通流量预测模型。首先，基于双向长短时记忆(Bi-directional Long Short-Term Memory，Bi-LSTM)算法，建立了交通流量短期预测模型；其次，为了进一步提升Bi-LSTM的交通流量短期预测模型性能，采用粒子群优化算法(Particle Swarm Optimization，PSO)对Bi-LSTM模型的超参数进行寻优，确定预测模型的最优超参数组合，有效提升预测模型的泛化性，实现交通流量的精准预测。

本文详细内容请下载：https://www.chinaaet.com/resource/share/2000004861

作者信息：

樊  冲

(锦州市大数据中心，辽宁 锦州121000)