基于PSO-LSTM的短时交通流量预测网站设计

王宁 成利敏 甄景涛 段晓霞

【摘   要】   短时交通流量预测是智能交通系统中的重要环节，选用在短时交通流量预测方面表现出色的LSTM神经网络，并利用PSO算法优化LSTM神经网络模型。实验结果表明，与传统LSTM模型相比，所构建的PSO-LSTM模型对未来5分钟和10分钟两种短时交通流量预测，达到了更高的准确率。在此基础上，设计了一个交通流量预测网站更好地展示了预测结果，也方便用户随时查询。

【关键词】   智能交通系统；短时交通流量预测；LSTM神经网络；PSO算法；交通流量预测网站

Design of a Short Term Traffic Flow Prediction Website Based on PS0-LSTM

Wang Ning， Cheng Limin， Zhen Jingtao， Duan Xiaoxia

（Langfang Normal University， Langfang 065000， China）

【Abstract】    Short term traffic flow prediction is an important part of intelligent transportation systems. This article selects the LSTM neural network that performs well in short-term traffic flow prediction， and uses the PSO algorithm to optimize the LSTM neural network model. Experiments have shown that the PSO-LSTM model constructed in this paper achieves higher accuracy in predicting short-term traffic flow for the next 5 minutes and the next 10 minutes compared with traditional LSTM models. On this basis， in order to better display the prediction results and facilitate users to query at any time， the author specifically designed a city traffic flow prediction website， which has certain practical application value.

【Key words】     intelligent transportation system; short term traffic flow prediction; LSTM neural network; PSO algorithm; traffic flow prediction website

〔中圖分类号〕  TP311.1                 〔文献标识码〕  A              〔文章编号〕 1674 - 3229（2024）01- 0029 - 04

0     引言

随着我国智能交通系统的飞速发展，道路交通流量预测作为其重要组成部分，受到广泛关注［1］。交通流量预测分为长时预测与短时预测，长时预测可以选择以小时、天、月或者年为时间单位；短时预测一般预测时间不超过15分钟［2］。准确的交通流量预测一方面可以帮助出行者更好地制定出行方案，尽量避开拥堵；另一方面对于交通管理、道路规划等也具有重要意义。

笔者曾设计了一个城市交通流量预测网站，通过该网站可查询以小时为时间单位的交通流量预测结果［3］。在此基础上，本文针对短时交通流量预测方法展开研究，并将短时预测结果也添加到该网站，使网站功能更加全面，更具有实际应用意义。

近年，基于人工神经网络的短时交通流量预测方法成为研究热点，在众多神经网络中，长短期记忆（Long Short-Term Memory， LSTM）网络展现出优势。LSTM是循环神经网络（Recurrent Neural Network， RNN）的改进方法，克服了RNN梯度消失或爆炸的缺点，能有效捕捉时间序列数据中复杂的依赖关系，挖掘前后数据间的联系。经多位学者研究证实，LSTM神经网络适用于短时交通流量预测［4-5］。

为更好地解决传统LSTM模型在超参数选择方面的局限性，提出通过PSO算法优化LSTM模型，在数据预测方面取得了不错的效果［6-7］。因此本文将PSO-LSTM模型应用于短时交通流量预测，实验结果表明，与传统LSTM对比，PSO-LSTM方法具有更高的准确率。

1     LSTM神经网络

LSTM神经网络是一种引入记忆单元（Memory Cell， C）和门控机制的特殊循环神经网络，其单元结构如图1所示［8］。

[tanh][tanh]

图1   LSTM神经网络单元结构图

图1中包含三种“门”结构，分别为遗忘门（Forget Gate， ft）、输入门（Input Gate， it）、输出门（Output Gate， ot），其表达式分别为：

[ft=σ（Wf[ht-1，xt]+bf）]                           （1）

[it=σ（Wi[ht-1，xt]+bi）]                          （2）

[ot=σ（Wo[ht-1，xt]+bo）]                           （3）

上式中[σ]表示Sigmoid激活函数，Wf、Wi、Wo和bf、bi、bo分别代表三种“门”的权重矩阵和偏置向量，xt和ht-1则表示当前时刻的输入和前一时刻隐藏层状态。由此可得当前时刻的单元状态Ct为公式（4）所示，式中Wc和bc为对应权重矩阵和偏置向量，Ct-1为前一时刻的单元状态，tanh为双曲正切激活函数。

[Ct=ftCt-1+ittanh（Wc[ht-1，xt]+bc）]                （4）

因此当前时刻输出ht为：

[ht=ot×tanh（Ct）]                              （5）

综上所述，LSTM采用“门控”思想对信息实现选择性记忆，完成了信息的有效筛选，能够高效捕捉到序列中的依赖关系，在短时交通流量预测方面表现优异。

2     PSO算法

粒子群算法（Particle Swarm Optimization， PSO）也稱为粒子群优化算法或鸟群觅食算法，该算法是受到鸟群捕食规律的启发，利用群体中个体间的协调合作和信息共享来寻找最优解，PSO算法具体实现步骤如图2所示［9］。

[pbest][gbest]

图2   PSO算法流程图

首先初始化粒子群，每一个粒子表示求解问题的一个可能解，关注其适应度、速度、位置三个指标，通过多次迭代寻求最优结果。每一次迭代时，粒子速度和位置的更新是依据两个“最优解”，即个体最优解pbest和群体最优解gbest，具体公式如下［10］：

[vk+1i=vki+c1r1（pbestki-xki）+c2r2（gbestk-xki）]        （6）

[xk+1i=xki+vk+1i]                                 （7）

上式中[vk+1i]和[vki]为粒子i在第k+1次和第k次迭代时的速度；[xk+1i]和[xki]为粒子i在第k+1次和第k次迭代时的位置；c1和 c2为加速因子，其中c1代表粒子奔向个体最优位置的加速权重，c2代表粒子奔向群体最优位置的加速权重；r1和 r2是［0，1］区间内的随机数。本文利用PSO算法对LSTM模型中两个LSTM层的神经元个数进行寻优，参数设置为粒子群个数为8，最大迭代次数为8，加速因子c1= c2=1.5。

3     基于PSO-LSTM的短时交通流量预测

3.1   预测模型

本文利用PSO算法优化LSTM神经网络模型，构建PSO-LSTM短时交通流量预测模型，利用前N个时间单元的已知交通流量数据来预测第N+1个时间单元的交通流量，实验时选择N=12，时间单元分为5分钟、10分钟。

所搭建的PSO-LSTM短时交通流量预测模型如图3所示。首先数据预处理阶段要对数据进行归一化处理，对应的最终输出预测结果需要进行反归一化处理。之后构建的LSTM模型包含两层LSTM结构，为避免过拟合，每个LSTM层后都有Dropout层，Dropout比率设置为0.1。最后Dense层设置神经元个数为1，是因为最终输出为预测的第N+1个时间单元的交通流量。

图3   搭建的PSO-LSTM神经网络预测模型图

两个LSTM层中神经元个数neurons1和neurons2的取值对模型性能起到至关重要的作用，所以设置neurons1和neurons2为待优化超参数，利用PSO算法得到两个最优超参数，由此构建PSO-LSTM短时交通流量预测模型。

3.2   预测结果分析

为验证本文方法的准确性，选择了智能交通领域广泛使用的公开数据库Caltrans PeMS（California Department of Transportation Performance Measurement System），在PeMS系统上可下载美国加利福尼亚州多年的真实交通数据。本文实验数据为PeMS系统识别号为403349 的干线检测站从2023年3月15日至30日，共16天的交通流量数据，采集时间间隔为5分钟，共4608个交通流量数据。

时间单元为5分钟时，训练集为2023年3月22日至28日，共2016个交通流量数据，测试集为29日，共288个数据。测试集实验结果如图4所示，实线代表真实值，虚线为预测值。横轴为时间，表示29日01：00：00至23：59：59共276个5分钟，纵轴表示交通流量。如图4可见，两条曲线走势基本一致，证明本文方法准确度较高。

图4   预测值与真实值对比曲线图（时间单元为5分钟）

利用下载的时间间隔为5分钟的交通流量数据生成时间间隔为10分钟的数据，因此时间单元为10分钟时，训练集为2023年3月15日至28日，共2016个数据，测试集为29日和30日，共288个数据。针对该测试集实验结果如图5所示，横轴表示29日02：00：00至30日23：59：59共276个10分钟。如图5可见，预测值与真实值相差不大，整体走势基本相符，再次证明本文方法的准确度。

图5   预测值与真实值对比曲线图（时间单元为10分钟）

将本文构建的PSO-LSTM模型與传统LSTM模型对比，计算平均绝对误差（Mean Absolute Error， MAE）和均方根误差（Root Mean Square Error， RMSE）两种评价指标，实验结果见表1。表1分别展示了时间单元为5分钟和10分钟两种情况下的实验结果，可见PSO-LSTM所得RMSE和MAE的值都小于传统LSTM模型所得RMSE和MAE值，两种情况下，PSO-LSTM模型均表现更好。

表1   两种模型实验结果对比

[模型 5分钟 10分钟 RMSE MAE RMSE MAE LSTM 22.49 17.33 43.66 32.34 PSO-LSTM 20.94 16.15 41.01 30.01 ]

4      基于PSO-LSTM的短时交通流量预测网站设计

笔者之前设计的城市交通流量网站针对长时交通流量预测，只能查询以小时为单位的预测交通流量，结合本文的短时预测结果，在网站上增加了未来5分钟和10分钟的短时交通流量查询功能。由于网站截图较宽，为保证图像清晰展示，故分为左右两部分，分别如图6和图7所示。网站上最左侧三个下拉菜单分别为：选择所要查询的路段、对于长时交通流量预测选择要查询的日期、对于短时交通流量预测选择查询未来5分钟或10分钟的交通流量。长时交通流量预测结果是以中间蓝色柱状图的形式呈现，短时交通流量预测结果则显示在最右侧高德地图中对应监测点位置。

图6   城市交通流量预测网站截图（左半部分）

图7   城市交通流量预测网站截图（右半部分）

城市交通流量预测网站的设计及应用是智能交通系统发展的重要环节，但目前真正投入使用的城市交通流量预测网站很少，本文设计的交通流量预测网站适用于不同城市，图中示例的模拟道路监测点的位置和数量也可以根据具体城市道路情况而设定。该网站实现了长时和短时交通流量预测，既可以增加普通用户出行规划的合理性，一定程度上缓解交通拥堵，也可以作为道路建设和交通管理的参考依据。

5     结语

本文利用PSO算法对LSTM神经网络模型中两个LSTM层的神经元个数进行寻优，从而构建了PSO-LSTM短时交通流量预测模型，基于PeMS系统提供的真实交通流量数据展开实验，结果证明了本文方法的准确性。在此基础上，设计了多尺度城市交通流量预测网站，用户在该网站既可以查询以小时为单位的长时交通流量预测结果，也可以查询未来5分钟和10分钟的短时交通流量预测结果，具有实际使用价值。在接下来的研究中，将继续尝试更合适的交通流量预测模型，进一步完善网站功能，以更好地满足实际需求。

［参考文献］

［1］ 郭敏，肖翔，蓝金辉.道路交通流短时预测方法综述［J］.自动化技术与应用，2009，28（6）：8-9+16.

［2］ 贺亿洋，殷锋，袁平.智能交通系统中短时交通流预测模型的研究［J］.现代计算机，2020（16）：8- 11.

［3］ 王宁，成利敏，甄景涛，等.基于GRU神经网络的城市交通流量预测网站设计［J］.廊坊师范学院学报（自然科学版），2023，23（3）：10-14.

［4］ 宋予佳，张健，邢珺.基于长短期记忆网络构建短时车流预测模型［J］.公路，2019，64（7）：224-229.

［5］ 吴晓龙. 基于长短时记忆神经网络的短时交通流预测及应用［D］.重庆：重庆邮电大学，2020.

［6］ 唐晓灵，刘嘉敏.基于PSO-LSTM网络模型的建筑碳排放峰值预测［J］.科技管理研究，2023，43（1）：191-198.

［7］ 赵明伟. 改进粒子群算法优化LSTM神经网络的地铁短时客流预测［D］.石家庄：石家庄铁道大学，2021.

［8］ 张腾达，李琦，陈波.基于LSTM的热力站短期热负荷预测研究［J］.计算机仿真，2022，39（9）：507-512.

［9］ 周晨蓉. 基于PSO-LSTM的城市道路卡口交通流预测模型［D］.西安：长安大学，2022.

［10］ 张国赟，金辉.基于改进PSO-LSTM模型的城市轨道交通站点客流预测［J］.计算机应用与软件，2021，38（12）：110-114+134.