摘要：準確、有效的交通流預測為智能交通系統(tǒng)提供數(shù)據(jù)基礎(chǔ)，是實現(xiàn)道路交通狀況預測和交通管控的重要技術(shù)之一。本文提出一種基于時空特性的經(jīng)驗模態(tài)分解（EMD）和長短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)相結(jié)合的交通流預測模型。首先，對交通流序列進行EMD分解得到具有不同時間尺度的本征模態(tài)分量，然后，結(jié)合空間特性采用LSTM神經(jīng)網(wǎng)絡(luò)對交通流進行預測。通過仿真實驗可得：與傳統(tǒng)的LSTM神經(jīng)網(wǎng)絡(luò)相比，基于時空特性的EMD-LSTM預測模型的均方根誤差分別減少了3.81;平均絕對誤差分別減少了2.29。

關(guān)鍵詞：短時交通流預測;經(jīng)驗模態(tài)分解;時空特性;長短期記憶單元

中圖分類號：TP311 文獻標識碼：A

文章編號：1009-3044（2020）18-0012-03

開放科學（資源服務(wù)）標識碼（OSID）：

隨著人工智能技術(shù)的發(fā)展，新一代智能交通系統(tǒng)提出了更加自主高效、安全智能的道路交通管理體系，短時交通流的預測就是其重要的研究方向之一[1]。準確、有效的道路短時交通流預測不僅能為新一代智能交通系統(tǒng)提供數(shù)據(jù)基礎(chǔ)，還能夠幫助人們規(guī)劃出行路線，緩解交通壓力帶來的道路擁堵等問題。目前，國內(nèi)外學者對于短時交通流預測的研究主要分為四種預測模型，即基于統(tǒng)計分析的預測模型、非線性理論模型、智能預測模型和混合預測模型[2]。

第一類，基于統(tǒng)計分析的預測模型主要包括時間序列法、卡爾曼濾波分析法等。S.Vasantha Kumar和Lelitha Vanajakshi[3]提出一種改進的自回歸積分移動平均模型（Auto-Regressive In-tegrated Moving Average，ARIMA）根據(jù)不同季節(jié)的數(shù)據(jù)差異進行交通流預測，但是單一的ARIMA方法在處理非線性交通流數(shù)據(jù)時具有局限性。柳立春等學者[4]提出的卡爾曼濾波模型應(yīng)用于交通流預測取得了顯著效果，但缺點是只適用于實時數(shù)據(jù)預測。

第二類，非線性理論模型主要依據(jù)交通流數(shù)據(jù)非線性的特點進行預測研究，常用的非線性理論模型有混沌理論模型等。Attoor Sanju Nair等學者啪驗證了交通參數(shù)的混沌特性，將混沌理論引入了交通流預測的模型中。廖榮華、蘭時勇、劉正熙等學者[6]通過改進混沌時間序列局域法，分析預測了北京市的交通數(shù)據(jù)，最終驗證了改進后的方法預測更加準確。

第三類，智能預測模型主要利用機器學習算法對道路交通流量進行預測。Osama Mohammed和Jalil Kianfar[7]通過比較深度神經(jīng)網(wǎng)絡(luò)、分布式隨機森林、梯度提升機、廣義線性模型四種算法對短時交通流的預測效果，得出深度神經(jīng)網(wǎng)絡(luò)預測效果更佳。晏臻，于重重，韓璐等[8]提出基于時空特性的CNN-LSTM模型預測交通流，CNN（Convolutional Neural Network.CNN）挖掘數(shù)據(jù)的空間相關(guān)性，LSTM挖掘數(shù)據(jù)的時序特性，驗證了考慮時空特性方法的有效性。

本文提出一種基于時空特性的經(jīng)驗模態(tài)分解和長短期記憶神經(jīng)網(wǎng)絡(luò)結(jié)合的混合模型對交通流進行預測，并驗證其預測效果。

1 基本原理

1.1 經(jīng)驗模態(tài)分解

經(jīng)驗模態(tài)分解（ Empuical Mode Decomposition，EMD）[9]是一種自適應(yīng)的數(shù)據(jù)挖掘、時頻信號處理方法。該方法的主要思想是根據(jù)被分解信號自身的時間尺度特性進行信號分解和處理，最終將原始信號分解成若干個本征模函數(shù)（Intrinsic ModeFunction，IMF）和一個具有信號平均趨勢的殘余項。因此，理論上EMD算法適用于任何信號的分解，尤其在分解和處理非線性、非平穩(wěn)的信號時，比傳統(tǒng)的小波分解和傅里葉分解表現(xiàn)出明顯的優(yōu)勢。EMD算法的具體實現(xiàn)步驟如下：

（1）找到原始信號序列x（t）所有的局部極大值點和極小值點。根據(jù)三次樣條插值方法將所有的極大值點擬合成上包絡(luò)線U（t），所有的極小值點擬合成下包絡(luò)線/（t），并計算出上、下包絡(luò)線的平均值，用m，，表示：

m11=1/2[U（f）+L（f）]

（1）

將原始信號與均值包絡(luò)相減得到第一步分解的新信號，并用h11表示：

h1=x（t）一m1（t）（2）

（2）若h11（t）滿足平均包絡(luò)值為零、并且極值和零值的數(shù)量相差0或1，則h11（t）為一級IMF分量。否則，對h11（t）重復進行第（1）步運算，直至第k次分解之后的信號h1k （t）滿足成為IMF分量的條件。一級IMF分量可以記作c1（t）

1.2 LSTM神經(jīng)網(wǎng)絡(luò)

長短期記憶（ Long Shofi-Term Memory，LSTM）結(jié)構(gòu)在原有的輸入門和輸出門的基礎(chǔ)上增加了遺忘門以后，使LSTM能很好地解決“梯度消失”和“梯度爆炸”[10]問題。LSTM不僅對輸人數(shù)據(jù)具有記憶性，而且學習當前網(wǎng)絡(luò)結(jié)構(gòu)的權(quán)重，對于長時間序列的處理具有較大的優(yōu)勢，被廣泛應(yīng)用于自然語言處理、。

如圖1所示，是一個LSTM網(wǎng)絡(luò)的展開結(jié)構(gòu)。由于LSTM結(jié)構(gòu)具有“記憶”，當前t時刻的單元狀態(tài)ct由t時刻的輸入xt和t一1時刻的單元狀態(tài)ct-1共同決定。ht是t時刻的隱藏層輸出。LSTM結(jié)構(gòu)由多個“記憶模塊”（memory cell）組成，每個cell包含三個門：輸入門、遺忘門和輸出門。遺忘門：這部分是決定從cell中遺棄哪部分信息。該門會讀取ht-1，和xt，使用sigmoid函數(shù)輸出一個在0到1之間的數(shù)值給每個在cell的上一時刻狀態(tài)ct-1。其中1表示“完全保留”，0表示“完全舍棄”。輸入門：這部分決定輸入多少信息加入cell中來。實現(xiàn)這部分需要兩步：第一步，“input gate layer”的sigmoid函數(shù)決定哪些信息需要更新;用tanh函數(shù)生成一個更新的內(nèi)容c，。第二步，對cell的狀態(tài)進行更新，將ct-1更新為ct。舊的單元狀態(tài)與ft相乘，再和i*ct相加，構(gòu)成新的候選值。候選值隨著每個狀態(tài)的更新程度而變化。輸出門：這部分運用一個sigmoid函數(shù)來決定cell中被輸出的信息。然后，把單元狀態(tài)通過tanh進行處理，得到一個在一1到1之間的值，再乘以sigmoid的輸出，決定最終輸出的那部分信息。公式7-12反映了“記憶模塊”內(nèi)部的算法流程。

1.3 基于時空特性的短時交通流預測模型

結(jié)合EMD算法對非線性、非平穩(wěn)時序信號分解處理的優(yōu)勢和LSTM神經(jīng)網(wǎng)絡(luò)對長時間序列學習和預測的優(yōu)勢，提出了基于時空相關(guān)性的EMD-LSTM模型對交通流數(shù)據(jù)進行預測。該算法既體現(xiàn)了單個檢測點交通流數(shù)據(jù)在時序上受自身歷史數(shù)據(jù)特性影響的時間相關(guān)性，又體現(xiàn)了不同檢測點之間交通流數(shù)據(jù)在空間上受道路上下游地理位置影響的空間相關(guān)性。

基于時空特性的EMD-LSTM算法原理如圖2所示，該算法先對多個檢測器的原始信號分別進行EMD方法分解，將不同檢測器的同一級IMF分量組合成新向量，該組合向量同時具有時間尺度和空間特性。將組合向量輸入到LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進行訓練，通過調(diào)整參數(shù)得出最佳訓練網(wǎng)絡(luò)結(jié)構(gòu)。然后對每一個組合向量進行預測，最終得到某一未來時間段內(nèi)不同檢測器同一級IMF分量的預測結(jié)果。再分別將同一檢測器的每級IMF分量相加，即可得到所有檢測器未來時間段內(nèi)的交通流預測結(jié)果。

2 仿真實驗

2.1 數(shù)據(jù)來源

本文以美國加利福尼亞運輸部的性能測量系統(tǒng)（ Caltrans-Performance Measurement System，PeMs）數(shù)據(jù)庫的交通流作為數(shù)據(jù)來源。選取2018年6月1日到2018年6月30日標號為110-E的高速公路上9個連續(xù)檢測器（編號依次為VDS717367、VDS717369、VDS717373、VDS717376、VDS717379、VDS717381、VDS717383、VDS717387、VDS718130）的交通流量數(shù)據(jù)作為交通流預測研究的數(shù)據(jù)集。抽樣時間間隔為5min，共約77，760條連續(xù)性數(shù)。對30天的數(shù)據(jù)進行仿真實驗，取前18天的交通流數(shù)據(jù)作為訓練數(shù)據(jù)，中間6天的交通流數(shù)據(jù)作為驗證數(shù)據(jù)，后面6天的數(shù)據(jù)作為測試數(shù)據(jù)。

2.2 實驗環(huán)境

仿真實驗使用的軟硬件平臺如下表所示：

2.3 算法評價指標

為了客觀比較不同算法的準確性，本文采用均方根誤差（ Root Mean Squared Error.RMSE）和平均絕對誤差（Mean Abso-lute Error.MAE）兩個指標來評價算法預測性能的優(yōu)劣。兩者數(shù)值越小說明預測誤差越小，算法的準確性越高。

3 結(jié)果分析

LSTM神經(jīng)網(wǎng)絡(luò)對第5個檢測器（編號：VDS717379）的交通流數(shù)據(jù)進行預測：網(wǎng)絡(luò)層數(shù)為1，隱含層的單元數(shù)為100，輸出層的單元數(shù)為l，三維輸入，對交通流的三個參數(shù)同時進行預測，初始學習速率為0.001，激活函數(shù)為relu、線性函數(shù)為linear，優(yōu)化算法為Adam，迭代次數(shù)為200。

經(jīng)過仿真實驗得到LSTM算法誤差性能指標值分別為：RMSE=21.568，MAE=15.678。交通流數(shù)據(jù)預測值與真實值的對比效果圖如圖3所示，圖中預測值曲線與實際值曲線的擬合效果較差，部分預測值比實際值偏大，局部極值點的預測偏差較大。

EMD分解得到8個IMF分量，所以，時空EMD-LSTM模型需要8個單層神經(jīng)網(wǎng)絡(luò);隱含層單元個數(shù)分別為[70，100，60，200，50，30，30，70]，L2正則化方法的系數(shù)大小分別為[0.0001，0.00001，0.0，0.0，0.0，0.0001，0.0001，0.0001]，輸出層的單元數(shù)為1，初始學習速率為0.001，激活函數(shù)為relu、線性函數(shù)為linear，優(yōu)化算法為Adam，迭代次數(shù)為200。為了提高訓練效率，設(shè)置了提前停止。經(jīng)過仿真實驗得到基于時空特性的EMD-LSTM模型預測9個檢測器數(shù)據(jù)的誤差指標如表2所示：

其中第5個檢測器（編號：VDS717379）的誤差指標為：RMSE=17.758.MAE=13.388，比LSTM算法分別減小了3.81和2.29。交通流數(shù)據(jù)預測值與真實值的對比效果圖如圖4所示。與圖3相比，圖4中預測曲線與實際曲線的擬合效果明顯得到了改善，局部極值點處的擬合效果更好，部分波動劇烈極值點的預測效果更好。

綜上所述，基于時空特性的EMD-LSTM模型能同時預測多個檢測器的交通流數(shù)據(jù)，并且預測效果優(yōu)于傳統(tǒng)的LSTM算法。

4 結(jié)束語

本文提出的基于時空特性的EMD-LSTM組合模型對短時交通流具有良好的預測效果。與傳統(tǒng)的LSTM算法相比，誤差性能指標RMSE減少了3.81，MAE減少了2.29;并且該模型能同時預測多個檢測器的交通流數(shù)據(jù)。

參考文獻：

[1] Javed M A，Zeadally S，Hamida E B.Data analytics for coopera-tive intelligent transport systems[J].Vehicular Communications.2019.15：63-72.

[2]趙宏.翟冬梅，石朝輝.短時交通流預測模型綜述[J].都市快軌交通，2019，32（4）：50-54.

[3] Kumar S V，Vanajakshi L.Short-term traffic flow prediction us-ing seasonal ARIMA model with limited input data[J].Europe-an Transport Research Review. 2015，7（3）：21.

[4]柳立春.基于卡爾曼濾波的長江武漢大橋段交通流預報[D].大連：大連海事大學，2018.

[5] Nair A S，Liu J C，Rilett L.et aI.Non-linear analysis of trafficflow[C]//ITSC.lEEE Intelligent Transportation Systems.Proceed-ings （Cat. No. OITH8585）， Oakland. CA. USA. IEEE. 2001：681-685.

[6]廖榮華，蘭時勇，劉正熙.基于混沌時間序列局域法的短時交通流預測[J].計算機技術(shù)與發(fā)展，2015，25（1）：1-5.

[7] Mohammed O.Kianfar J.A machine learning approach to short-term traffic flow prediction：a case study of interstate 64 in Mis-souri[C]//2018 IEEE International Smart Cities Conference（lSC2），September 16-19. 2018. Kansas City， MO， USA. lEEE，2018： 1-25。

[8]晏臻，于重重，韓璐，等.基于CNN+LSTM的短時交通流量預測方法[J].計算機工程與設(shè)計，2019，40（9）：2620-2624，2659.

[9]關(guān)瑩瑩.基于深度學習的ITS短時交通流量預測算法研究[D].哈爾濱：哈爾濱工業(yè)大學，2019.

[10]楊祎玥，伏潛，萬定生.基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)的時間序列預測模型[J].計算機技術(shù)與發(fā)展，2017，27（3）：35-38，43.

【通聯(lián)編輯：光文玲】

基金項目：河北省高等學?？茖W技術(shù)研究重點項目（ No.ZD2019010）

作者簡介：高小婷（1992-），女，碩士研究生，主要研究方向為智能信息處理。