0     引言

随着经济的发展，城市机动车数量呈爆发式增长，交通堵塞问题日益严峻。自从2020年我国提出“双碳”目标后，交通领域作为第三大碳排放源，其节能减排任重道远。交通流量预测是建设智慧城市中必须面对的重大挑战，精准和及时的交通信息不仅可以为居民提供合理的路径规划，帮助驾驶员高效出行，而且可以缓解交通压力，最大限度利用道路资源［1］。

关于短期车流量的预测问题，近半个世纪内有很多研究成果。因为基于统计非参数方法预测的模型大多结构简单，鲁棒性较差，不能精确预测，所以深度学习的方法慢慢占据了交通预测的主要地位，主要包括深度神经网络（Deep Neural Networks，DNN）、传统循环神经网络（Recurrent Neural Network，RNN）、卷积神经网络（Convolutional Neural Network，CNN）、长短期记忆神经网络（Long ShortTerm Memory，LSTM）和注意力模型等。

在已有研究中，文献［2］通过对比不同预测方法，证明了基于RNN的深度学习方法与自回归综合移动平均模型相比，在预测交通流上更具优势。文献［3］对比了多种深度神经网络，证明基于LSTM的交通流量预测模型具有更好的拟合能力。

薛佳瑶等［4］利用CNN挖掘车流量在空间上的相关性，利用LSTM挖掘车流量在时间上的依赖性，所提出的模型在车流量预测上拥有较高的精度。史亚星［5］在预测路口交通流量变化时使用基于自动编码器和LSTM网络的模型，并通过实验证明不同的LSTM层数、不同的参数选取方法、不同的迭代次数等都会对模型的准确率产生影响。宋予佳等［6］对比了LSTM和向量自回归模型，通过实验证明LSTM模型在对大量短期车流量预测上表现更为稳定。虽然以上研究证明LSTM模型可以对短期交通流进行预测，但它们没有考虑到其他因素对车流量的影响。

为了进一步提高模型准确率，文献［7］在采用LSTM算法的同时，用多因素分析的思想对数据进行处理，来预测未来时刻车流量变化。文献［8］考虑日期特性对车流量的影响，将数据集划分为工作日和节假日以对道路拥堵情况做出更为准确的判断。文献［9］将降水量纳入交通流量预测模型；文献［10］证明了考虑降雨的情况下，LSTM模型在捕获时间序列方面也有更好的性能。

进一步，文献［11］发现交通流数据会随时间变化而变化，具有不确定性。典型的LSTM模型不能发现长期依赖关系，面对长期交通流预测问题时，LSTM模型精度有所下降。文献［12］提出利用粒子群算法（Particle Swarm Optimization，PSO）对LSTM模型权重进行优化，从而在不增加模型复杂度的同时最小化预测误差。文献［13］以昆明市为例，证明了PSOLSTM模型是预测交通速度的优势模型，是挖掘长时间依赖关系的有效模型。

综上所述，本文根据已有文献确定LSTM模型是预测交通流的优势模型，考虑天气、季节、降水量、节假日和用户行为等其他因素对用户出行时空数据的影响，提出LSTM*模型，以提高短期车流量预测的精度。进一步，为了解决LSTM*（考虑其他影响因素的LSTM）模型不能处理长时间依赖关系的问题，本文引入粒子群算法并对其改进。通过改进的PSO优化LSTM*模型的输入层权值和学习率，构建PSOLSTM*预测模型，并将其性能与LSTM*模型进行比较，获得预测长期车流量的优势模型。

本文详细内容请下载：https://www.chinaaet.com/resource/share/2000005467

作者信息：

丁梓琼1，汤广李1，张波涛1，卢自宝1,2

（1安徽师范大学物理与电子信息学院，安徽芜湖241000；

2安徽智能机器人信息融合与控制工程实验室，安徽芜湖241000）