【摘要】为了实现对城市区域交通流量的准确预测，利用济南市出租车GPS轨迹数据集进行研究。首先，通过StandardScaler对特征数据进行标准化，结合K-Means聚类分析道路网格的拥堵情况。其次，提出了融合Transformer与长短期记忆网络（Long Short-Term Memory Network，LSTM）优势的Transformer-LSTM混合模型，利用该模型捕捉市中区出租车轨迹数据的时空特征，并将市中区区域划分为多个网格，以精细分析各网格内的交通流量变化，进一步增强预测准确性。将特征提取后的时空数据输入模型中，实验结果表明，在市中区区域的交通流量预测中，Transformer-LSTM模型的预测准确率最高。与单一的Transformer模型和LSTM模型相比，Transformer-LSTM模型的平均绝对误差（MAE）分别降低了20.36%和21.99%，均方根误差（RMSE）分别降低了9.61%和27.39%，决定系数（R2）分别提升了5.34%和8.04%。这一结果证明，文中所提出的Transformer-LSTM模型在交通流量预测的准确性和有效性方面具有显著的优势。
【关键词】时空特征,交通流预测,多头注意力机制,长短期记忆网络
城市交通流预测是智能交通系统的关键环节，因此，高效的预测算法能够更好地调配交通资源，满足市民的出行需求，同时减少资源浪费与交通拥堵。利用大量的GPS数据进行精确的交通流量预测，是解决实际交通问题的重要途径之一。
随着数据采集技术的提升，GPS数据的获取变得更加容易，也催生了基于GPS数据的各种交通流预测方法，如机器学习和神经网络。在这些方法中，循环神经网络(RNN)[1]最初被应用于交通流预测中，但它在处理长期依赖问题时容易遇到梯度爆炸和梯度消失等困难。为了解决RNN梯度消失的问题，Schmidhuber、Hochreiter[2]提出了长短期记忆网络（LSTM）模型，通过在RNN模型中加入记忆单元，解决了传统RNN模型在训练过程中梯度消失的问题。LSTM的核心思想是通过在循环层内部增加记忆单元来实现长期记忆，并通过门控机制实现选择性记忆[3]。Mondal，Rehena[4]研究特定路段及其相邻区域的实时与历史交通流量数据，基于LSTM模型实现对工作日和非工作日路段交通流量的精确预测。史亚星[5]在进行交叉口交通流量变动预测时，采用了一个结合自动编码器与LSTM（长短期记忆网络）的模型。实验结果表明，LSTM的不同层数、参数选择方式以及训练迭代次数等因素，都会影响模型的预测精度。曹博，高茂庭[6]采用LSTM模型预测短时交通流量，仿真结果显示，网络自身难以有效捕获数据中的空间特征，必须手动将空间信息编码成模型的输入特征，而这一步骤可能会对最终的预测精度产生影响。Transformer模型[7]利用多头注意力机制，具有并行处理的优势，尤其擅长处理长序列和捕捉全局依赖。周楚昊，林培群[8]提出了一种基于多通道Transformer的交通流量预测方法，利用Transformer模型来捕捉交通数据中的潜在模式，并通过注意力机制整合空间与时间特征。相较LSTM的顺序处理方式，Transformer减少了计算时间，并在各类序列建模任务中展现了卓越性能，同时其强大的拟合能力和较低的时间复杂度也使其适用于网络流量预测。
交通流不仅在时间维度上表现出强烈的连续性，在路网的空间布局中也存在着紧密的关联。同时，考虑到交通流的时空特征，可以更有效地捕捉到交通状况的变化规律，进而提高预测的准确性[9]。然而，单一的Transformer或LSTM模型都无法充分地挖掘出交通流量变化中的时空特征。为了更准确地进行交通流量预测，需要更复杂的方法来同时处理时间和空间上的相关性。相较于单一模型，混合模型通常能够提供更出色的预测效果[10]。李磊等[11]提出结合改进CNN与LSTM的短时交通流预测方法，通过优化LSTM和引入RAdam算法增强时空特征处理。
综上所述，在当前交通流预测的研究范畴内，有效捕捉时空双重特征已成为一个重要的研究趋势。因此，本文提出了一种结合了Transformer与LSTM优势的Transformer-LSTM预测模型。该模型利用Transformer的自注意力机制来处理序列中的长距离依赖，并利用LSTM有效捕捉道路交通流量的时间连续性和局部动态变化，通过融合Transformer的全局注意力机制与LSTM的长短期记忆能力，实现更强的全局特征提取，能够更加精准地捕捉交通流量中的时空依赖，从而提升预测的准确性和鲁棒性。
1建模
1.1模型结构
在本研究中，首先使用Transformer编码器中的多头注意力机制对路段交通流量的时间序列数据进行特征提取，捕捉数据中的复杂依赖关系，并将其传递给LSTM以完成对时间序列的预测，从而提高预测的准确性。Transformer-LSTM模型以历史的交通流量数据作为输入，输出为未来的流量预测。模型的具体结构如图1所示。
（1）基于对出租车GPS轨迹数据特性的分析，提出了一种用于处理异常数据的清洗方法，成功完成了数据预处理和GPS轨迹点与路网的精确匹配。采用StandardScaler对特征数据进行标准化，消除了测量尺度差异，并利用K-Means聚类对城市路网的拥堵情况进行了量化分析。实验结果表明，本文所提出的Transformer-LSTM模型在交通流量预测方面表现出显著的准确性和有效性。在市中区区域交通流量的预测中，Transformer-LSTM模型的效果优于单独使用的Transformer和LSTM模型。
（2）本研究基于出租车GPS轨迹数据，由于未能全面捕捉路段上所有类型车辆的流动情况，因此研究结果可能与实际情况存在一定的偏差。此外，本研究仅用于交通流量预测，未来可考虑将路段流量预测与信号灯自适应控制系统相结合，以进一步提高交通管理的智能化和效率。
［参考文献］
［1］Zhang Z,Han Y,Peng T,et al.A comprehensive spatiotemporal model for subway passenger flow prediction[J].ISPRS International Journal of Geo-Information,2022,11(6):341.
［2］Schmidhuber J,Hochreiter S.Long short-term memory[J].Neural Comput,1997,9(8):1735-1780.
［3］任艺柯.基于改进的LSTM网络的交通流预测[D].大连：大连理工大学，2019.
［4］Mondal M A,Rehena Z.Stacked LSTM for shortterm traffic flow prediction using multivariate time series dataset[J].Arabian Journal for Science and Engineering,2022,47(8):10515-10529.
［5］史亚星.基于深度学习的车流量预测方法研究[J].计算机与数字工程，2019，47（05）：1160-1163.
［6］曹博，高茂庭.基于LSTM的短时交通流预测研究[J].现代计算机（专业版），2018，（25）：3-7.
［7］Gao K,Li X,Chen B,et al.Dual transformer based prediction for lane change intentions and trajectories in mixed traffic environment[J].IEEE Transactions on Intelligent Transportation Systems,2023,24(6):6203-6216.
［8］周楚昊，林培群.基于多通道Transformer的交通量预测方法[J].计算机应用研究，2023，40（02）：435-439.
［9］冯宁，郭晟楠，宋超，等.面向交通流量预测的多组件时空图卷积网络[J].软件学报，2019，30（03）：759-769.
［10］崔建勋，要甲，赵泊媛.基于深度学习的短期交通流预测方法综述[J].交通运输工程学报，2024，24（02）：50-64.
［11］李磊，张青苗，赵军辉，等.基于改进CNN-LSTM组合模型的分时段短时交通流预测[J].应用科学学报，2021，39（02）：185-198.
［12］易小迪.基于网约车GPS数据的交通状态识别与预测研究[D].重庆：重庆交通大学，2024
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/guanlilunwen/82395.html
