1．目的及意义

交通与现代生活密不可分，交通质量与人们的生活质量密切相关。随着国民经济的快速发展，交通拥堵、环境破坏和资源浪费也随之产生。如何有效缓解道路拥堵是大多数城市需要解决的主要问题。目前主要有以下几种方法：一是控制小汽车数量，限制过度购买方式，减少小汽车数量；二是扩大基础设施建设，如修建更多道路或拓宽现有道路；三是增加公共交通，如改善公共交通设施建设。城市轨道交通和地铁；四是建设智能交通系统。因为前三种方法在一定程度上有助于缓解城市交通压力，但它们不能从根本上解决城市交通拥堵问题，所以智能交通系统应运而生。
智能交通系统（ITS）包括数据采集系统、数据分析系统、数据发布系统等多个子系统，包括车辆控制、道路监控和收费、驾驶员管理和事故处理等。其中，交通诱导系统是未来智能交通系统的重要研究内容，短期交通流量预测是交通诱导系统的核心。如何利用海量交通数据获取交通流的各种属性，并通过智能手段合理预测未来道路交通流的变化，为出行者提供具体、及时、准确的交通流信息，进而优化车辆行驶路径，疏通交通流，避免拥堵，是关键。以及ITS中亟待解决的问题。准确的交通流量预测对社会具有重要意义。对于个人来说，他们可以及时了解交通状况，避免车辆过多的道路，节省出行时间。对国家交通运输部门来说，准确、实时的交通预测有助于交通运输部门更合理地规划和利用现有的交通资源，为今后的道路建设提供相应的数据支持。对于生态环境而言，准确的交通流量预测可以减少交通拥堵造成的大气污染物排放，减少环境污染。
交通流量预测可分为两类：长期预测和短期预测。前者通常按天、月甚至年进行预测，后者通常按不超过一天的时间间隔进行预测，时间间隔可以是一小时、半天或一天。智能交通系统需要为用户提供实时的交通信息，使用户能够快速确定出行计划，实时调整出行路线。因此，短期交通流量预测非常重要。短期交通流预测是一个比较复杂的研究内容，主要是由于短期交通流具有复杂、多变、不稳定的特点。为了发现其固有的运行规律，并在此基础上准确预测短期交通流量，采用传统的数学预测模型很难实现。因此，借助人工智能领域的先进机器学习，特别是深度学习，可以对其进行分析和预测。基于大量的交通数据，更准确、可行地发现交通流的内在运行规律。

短期交通流量预测在ITS中起着重要作用，是后期交通控制的基础。早在二十世纪七十年代和八十年代，国内外学者就开始对这一问题进行研究，并取得了一定的成果。目前，短期交通流量预测方法主要分为以下几类：传统的统计理论模型、机器学习模型和组合模型。
统计理论模型主要分为线性理论模型和非线性理论模型。线性理论模型包括历史平均模型、时间序列模型和卡尔曼滤波模型，非线性统计模型包括非参数回归模型和混沌理论模型。在国外，2014年郭等人对卡尔曼滤波模型进行了深入研究，采用随机自适应卡尔曼滤波模型对交通流量进行预测，取得了良好的效果。2014年，Xue等人在充分测量相邻节点与目标节点间距离系数的基础上，对混沌时间序列模型进行了优化，得到了交通流预测模型。在国内，2008年孙向海等将季节性差分自回归移动平均模型（SARIMA）应用于城市交通流量预测，充分考虑了交通流量的周期性特征，取得了良好的效果。2011年，陈浩首先利用小波理论对交通流量数据进行去噪，然后结合卡尔曼滤波模型对短期交通流量进行预测，有效地提高了结果的准确性。2013年，郭海峰等人充分考虑了城市交通流量变化的相似特征，进一步利用模糊逻辑对卡尔曼滤波预测模型进行了优化，较好地应用于城市交通流量预测。
机器学习预测模型包括神经网络预测模型、支持向量机预测模型和深度学习预测模型。2004年，Vanajakshi等人将支持向量机应用于交通流量预测，并与BP神经网络进行了比较，前者效果较好。2005年，Eleni等人在充分考虑交通流时空特征的基础上，进一步优化了人工神经网络，提出了基于空间角度的人工神经网络交通流预测模型。2005年，徐其华等利用支持向量机对交通流量进行预测，并与人工神经网络进行了比较。结果表明，当交通流量数据具有一定比例噪声时，前者具有较好的预测效果。2014年，Huang等人利用深度信念网络预测短期交通流量，是深度学习的一个新概念。该方法将深度信念网络与多任务回归相结合，预测结果提高了5%左右。2015年，李亚男采用GA-BBP算法对近期交通流量进行预测。该模型采用遗传算法对神经网络模型进行优化，不断提高学习速度，实现参数的优化选择。2015年，李巧茹等充分考虑交通流的时空特征，将支持向量机与时空数据融合，得到更准确的交通流预测模型。2015年，Ma等人利用LSTM对短期交通流量历史数据进行建模。最后，以北京市某城市道路的短期交通流量为例进行了验证，并与其他模型进行了比较，验证了模型的正确性。2017年Ke等人将卷积技术与LSTM网络相结合，使得DL方法能够更好地捕捉解释变量的时空特征和相关性。2017年，在考虑降雨影响的非交通输入条件下，Jia、Yh等研究了基于信念网络（DBN）和长短期记忆（LSTM）的短期交通速度预测性能，大大提高了预测精度。2019年在LSTM网络上，Yang等人将有效长序列时间步长的高冲击值与当前时间步长相连接，通过注意力机制捕捉到这些高冲击交通流值，并将一些超出正常范围的数据进行平滑处理，以获得更好的预测结果。

组合预测模型主要是将多个预测模型结合起来，充分发挥各种模型的预测优势，更好地避免预测误差，实现更准确的预测结果。2006年，Cetin等人提出了将突变检测算法与自回归积分移动平均模型（ARIMA）相结合的方法。该模型能有效地降低潜在干扰，优于简单的ARIMA模型。2014年，Wang等人利用熵的思想，分析了历史交通流量数据的相关性，提出了一种具有较高精度的短期交通流量预测的贝叶斯组合预测模型。在国内，2007年，张晓丽将小波理论与人工神经网络模型相结合，利用小波理论解决了神经网络中的“维灾”问题，提高了预测精度。2009年谭满满等提出了基于小波理论、ARIMA模型和支持向量机的组合预测模型，较好地解决了交通流量预测中的非线性和干扰问题。2011年，沈国江等人采用卡尔曼滤波模型和人工神经网络模型对短期交通流量进行线性和非线性估计。最后，利用模糊综合模型对两种模型的输出进行综合，得到最终的预测值。结果表明，三种模型的组合精度较高。2014年，徐颖超采用移动平均模型、神经网络模型和组合模型对短期交通流量进行预测，组合模型优于单一模型。

{title}

2. 研究的基本内容与方案

{title} 本文选取路网区域的位置，通过交通流序列构建数据集，利用LSTM模型建立神经网络，对数据集进行训练，进行交通流预测，并将预测值与实际值进行比较，得出结论。
对于交通流预测，我们应该尽可能多地考虑时间序列中包含的信息，但是传统的LSTM只使用前向依赖关系。在这个过程中，有用的信息可能被过滤掉或者不能通过选通结构有效地传输。因此，考虑向后依赖性是非常有价值的。我们考虑向后依赖的另一个原因是，交通流序列具有明显的周期性，特别是对于重复的交通流，可以提高预测性能。此外，在交通流量预测中，不应忽视交通网络上下游其他位置的影响。上下游以空间定义，前向后依赖以时间定义，充分利用时空关系将使学习更加全面。因此，采用双向和单向LSTM叠加来预测网络中的流量。主要流程如下：

图1 交通流预测流程图

上图显示了交通流量预测的全过程。首先，输入数据流，然后对数据进行预处理。双向LSTM是第一个时空特征学习层，一个LSTM是最后一个层。在中间，进一步利用一个或多个LSTM或双向LSTM层学习，以输出更准确预测值。

3. 参考文献

[1]Guo J., Huang W., Willians B.AdaptiveKalman filter approach for stochastic short-term traffic flow rate predictionand uncertainty quantification[J].Transportation Research Part C:EmergingTechnologies, 2014,43:50-64.

[2]Xue J. N.,Shi Z. K..Short-Time TrafficFlow Prediction Based on Chaos Time Series Theory[J]. Journal of TransportationSystems Engineering and Information Technology, 2014, 8(5):68-72.

[3]孙湘海,刘潭秋.基于SARIMA 模型的城市道路短期交通流预测研究[J].公路交通科技,2008,25(1)：

129-133.

[4]陈浩.基于卡尔曼滤波和小波神经网络的短时交通流预测研究[D].兰州:兰州交通大学,2011.