0 引言

交通運輸是一個廣泛的以人為本的領域，有各種各樣的、具有挑戰性的問題有待解決。運輸系統、服務、成本、基礎設施、車輛和控制系統的特征和性能通常是在定量評價其主要作用的基礎上定義的。大多數交通決策都是在不精確、不確定和不完全真實的情況下做出的，有些目標和約束通常難以用清晰的值來衡量。傳統的分析技術在處理變量之間的依賴關系過于復雜或定義不清的問題時被發現是無效的。此外，硬計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，人們對交通和運輸系統的軟計算應用進行了研究，并且在此領域取得了一些重要成果[1]。

使用軟計算方法建模和分析交通運輸系統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雜問題。軟計算可以用來彌補交通運輸研究中規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主要領域：交通控制和管理、交通規劃和管理、物流、交通設施的設計和建設。本課題所研究的交通流預測屬于第一個研究領域。自20世紀90年代以來，軟計算界一直在研究、攻克這個領域的相關問題。其中，Pamula等人[2]基于神經網絡在城市交通管理系統中的應用，提出了一種基于神經網絡的交通流量預測方法。Bucur等人[3]建議使用自適應模糊神經網絡[4-9]進行交通預測，提出一種可以跟蹤由于天氣條件、季節或其他因素造成的概率分布漂移的架構。文獻[10]構建了實時交通流量模型，構建模型時將自回歸滑動平均模型與支持向量回歸模型進行結合，克服了預測過程中的非線性問題。文獻[11]為了解決模型在預測過程中會陷入局部最優問題，采用蟻群算法對基于BP神經網絡的交通流量預測模型的參數進行了優化。文獻[12]構建了季節性差分自回歸滑動平均模型和BP的組合模型，并以實測數據對構建的交通流量預測模型進行了驗證。文獻[13]對城市交通流量預測時，對其進行了短時流量預測，并取得了較好的預測效果。文獻[14]采用灰色極限學習機模型，實現了短時交通流量預測模型的構建，并驗證了所提模型的有效性。以上研究均使用神經網絡模型來進行交通流量預測，未能很好地應對交通流量強隨機性對于預測結果的影響。鑒于此，本文研究了強隨機性對交通流量預測結果的影響，提出了更高預測精度的城市交通流量預測模型。首先，基于雙向長短時記憶(Bi-directional Long Short-Term Memory，Bi-LSTM)算法，建立了交通流量短期預測模型；其次，為了進一步提升Bi-LSTM的交通流量短期預測模型性能，采用粒子群優化算法(Particle Swarm Optimization，PSO)對Bi-LSTM模型的超參數進行尋優，確定預測模型的最優超參數組合，有效提升預測模型的泛化性，實現交通流量的精準預測。

本文詳細內容請下載：http://m.xxav2194.com/resource/share/2000004861

作者信息：

樊  沖

(錦州市大數據中心，遼寧 錦州121000)